Vous êtes sur la page 1sur 149

INSTITUT POLYTECHNIQUE DE GRENOBLE

N ◦ attribué par la bibliothèque

THÈSE

pour obtenir le grade de

DOCTEUR de l’Institut polytechnique de Grenoble

Spécialité : «Signal, Image, Parole, Télécommunications»


tel-00373806, version 1 - 7 Apr 2009

préparée au laboratoire Grenoble Image Parole Signal et Communication

dans le cadre de l’École Doctorale EEATS


«Électronique, Électrotechnique, Automatique, Télécommunications, Signal»

présentée et soutenue publiquement

par

Hussein HIJAZI

le 25 Novembre 2008

Titre :

ESTIMATION DE CANAL RADIO-MOBILE À ÉVOLUTION RAPIDE


DANS LES SYSTÈMES À MODULATION OFDM

Directrice de thèse : G. JOURDAIN† (1-ère année)


Directeur de thèse : L. ROS (2-ème et 3-ème année)

JURY

Monsieur Dirk SLOCK Rapporteur


Monsieur Benoı̂t GELLER Rapporteur
Madame Marie-Laure BOUCHERET Examinatrice
Madame Maryline HÉLARD Examinatrice
Monsieur Jean-Marc BROSSIER Président
Monsieur Laurent ROS Directeur
tel-00373806, version 1 - 7 Apr 2009

2
tel-00373806, version 1 - 7 Apr 2009

3
À Basma,
Ali et Joud,
tel-00373806, version 1 - 7 Apr 2009
Remerciements

Ce travail s’est déroulé au Laboratoire Grenoble, Image, Parole, Signale, Automatique (GIPSA),
dans le département Image et Signal (DIS), démarré en Octobre 2005.

Je tiens tout d’abord à remercier ma directrice de thèse, Geneviève Jourdain (décédée en


Octobre 2006), pour avoir su, durant ma première année de thèse, m’encourager, me conseiller,
et témoigner de l’intérêt pour mon travail. Je tiens également à remercier particulièrement mon
directeur de thèse Monsieur Laurent Ros durant mes deux derniers années de thèse (co-encadrant
durant ma première année de thèse), non seulement por avoir suivi mon travail et répondu à mes
questions, mais également pour son soutien sans faille et ses encouragements. Son enthousiasme
et ses remarques enrichissantes m’ont permis de faire évoluer cette thèse.

Je suis particulièrement reconnaissant à Monsieur Jean-Marc Chassery, directeur du GIPSA-


tel-00373806, version 1 - 7 Apr 2009

lab (anciennement LIS), pour m’avoir accueilli dans son laboratoire.

Je remercie Monsieur Jean-Marc Brossier, professeur à l’Institut National Polytechnique de


Grenoble, de m’avoir fait l’honneur de présider le jury, ainsi que Monsieur Dirk Slock, professeur
à EUROCOM, et Monsieur Benoı̂t geller, professeur à l’ENSTA ParisTech, d’avoir rapporté de
façon extrêmement détaillée et constructive ce travail. Merci également à Madame Maryline
Hélard, Professeur à l’INSA de Rennes, et Madame Marie-Laure Boucheret, professeur à l’EN-
SEEIHT de Toulouse, d’avoir examiné ce travail.

Merci à tous ceux qui m’ont apporté leur aide, de près ou de loin, dans le déroulement ou
dans la phase finale de ce travail (relecture, pré-soutenances), en particulier : Éric Simon, Olivier
Michel, Éric Moisan, Jean-Marc Brossier, Joël Lienard, Kosaı̈ Raoof, Cyrille Siclet, Cléo Baras,
Jean-Michel Vanpé...

Merci à l’ensemble des collègues du GIPSA-lab et en particulier au groupe de thésards de


mon département Image et Signal (DIS), pour leur accueil et leur aide, notamment lors des
présoutenances.

Enfin, merci à mes proches, famille et copains, qui ont également participé à leur manière à
la réalisation de cette thèse. Merci surtout à mon épouse et mes enfants, Ali et Joud, pour avoir
supporté tout ça.
tel-00373806, version 1 - 7 Apr 2009
Table des matières

Liste de Notations 11

Liste de Sigles 15

Introduction 17
tel-00373806, version 1 - 7 Apr 2009

1 Canal Radio-Mobile, OFDM, et Estimation de Canal 19


1.1 Canal Radio-Mobile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.1.1 Caractéristiques du canal radio-mobile . . . . . . . . . . . . . . . . . . . . 20
1.1.2 Modèle mathématique du canal physique en mobilité . . . . . . . . . . . . 21
1.1.3 Modèle aléatoire de Rayleigh et effet Doppler . . . . . . . . . . . . . . . . 23
1.1.4 Ordre de grandeur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.2 Système OFDM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.2.2 Historique et principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.2.3 Modèles mathématiques de l’OFDM . . . . . . . . . . . . . . . . . . . . . 27
1.2.3.1 Modèle analogique . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.2.3.2 Modèle discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.2.4 Interférence entre porteuses due à l’effet Doppler . . . . . . . . . . . . . . 33
1.3 Estimation de canal pour les systèmes OFDM . . . . . . . . . . . . . . . . . . . . 38
1.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.3.2 État de l’Art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.4 Contribution et organisation du document . . . . . . . . . . . . . . . . . . . . . . 41
1.4.1 Objectifs de la thèse, démarche, et principales contributions . . . . . . . . 41
1.4.2 Plan du document . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

2 Modélisation Polynomiale et Bornes de Cramér-Rao Bayesienne 45


2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.2 Modélisation polynomiale de la variation temporelle des gains complexes . . . . . 47
2.3 Bornes de Cramér-Rao Bayesienne (BCRBs) . . . . . . . . . . . . . . . . . . . . 51
2.3.1 Définition des BCRB «hors-ligne» et «en-ligne» . . . . . . . . . . . . . . . 51
2.3.2 BCRB pour l’estimation des coefficients c et des gains α . . . . . . . . . . 54
2.3.2.1 Gains complexes «variants» durant un symbole OFDM . . . . . 54
2.3.2.2 Gains complexes «invariants» durant un symbole OFDM . . . . 57
2.3.3 Simulation et discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.3.3.1 Gains complexes «invariants» durant un symbole OFDM . . . . 59
2.3.3.2 Gains complexes «variants» durant un symbole OFDM . . . . . 62

7
8 TABLE DES MATIÈRES

2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

3 Algorithmes Basés sur les Valeurs Moyennes 69


3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.2 Modèle des pilotes et sous-porteuses pilotes reçues . . . . . . . . . . . . . . . . . 70
3.3 Estimation des valeurs moyennes des gains complexes . . . . . . . . . . . . . . . 72
3.4 Méthode de suppression successive des interférences (SSI) . . . . . . . . . . . . . 73
3.5 Algorithme 1 : interpolation passe-bas à partir des valeurs moyennes . . . . . . . 73
3.5.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.5.2 Algorithme itératif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.5.3 Analyse de l’erreur quadratique moyenne (EQM) . . . . . . . . . . . . . . 78
3.5.3.1 EQM de l’estimateur des valeurs moyennes a(n) . . . . . . . . . 78
(n)
3.5.3.2 EQM globale de l’estimateur des gains complexes αl (qTs ) . . . 82
3.5.4 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
tel-00373806, version 1 - 7 Apr 2009

3.6 Algorithme 2 : approximation polynomiale à partir des valeurs moyennes . . . . . 87


3.6.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.6.2 Estimation des coefficients du polynôme . . . . . . . . . . . . . . . . . . . 89
3.6.3 Algorithme itératif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.6.4 Complexité de l’algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.6.5 Analyse de l’erreur quadratique moyenne (EQM) . . . . . . . . . . . . . . 92
3.6.6 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
3.6.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
3.7 Conclusion et perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99

4 Algorithme Basé sur le Filtre de Kalman et la Décomposition QR 101


4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
4.2 Modèle Autorégressif (AR) et filtre de Kalman . . . . . . . . . . . . . . . . . . . 103
4.2.1 Modèle AR des coefficients polynomiaux c(n) . . . . . . . . . . . . . . . . 103
4.2.2 Filtre de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.3 Détection QR des symboles de données . . . . . . . . . . . . . . . . . . . . . . . . 106
4.4 Estimation et détection conjointe . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.4.1 Algorithme itératif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.4.2 Complexité de l’algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . 108
4.4.3 Analyse de l’erreur quadratique moyenne (EQM) . . . . . . . . . . . . . . 109
4.5 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

Conclusion générale et perspectives 117

Annexes 121

A Démonstration de l’équation (1.41) 121

B Régression polynomiale 123

C Matrice du canal et modèle d’observation 125


TABLE DES MATIÈRES 9

D Évaluation de la matrice de corrélation R 127

E Évaluation de Jm 129

F Calcul des expressions (2.55) et (2.56) 131

G Évaluation de Jl 133

H Démonstration de l’inégalité (2.65) 135

I Calcul de la matrice de transfert T 137

J Coefficients du chapitre 3 139


tel-00373806, version 1 - 7 Apr 2009
tel-00373806, version 1 - 7 Apr 2009
Liste de Notations

Bcoh Bande de cohérence du canal

b(t) Bruit Blanc Additif Gaussien continu à la réception (ECBB)

w(n) Bruit complexe durant le n-ème symbole OFDM


tel-00373806, version 1 - 7 Apr 2009

c Célérité de l’onde radio-électrique

⊙ Convolution cyclique positive

⊗ Convolution linéaire

cosh(.) Cosinus hyperbolique

N0 Densité Spectrale de Puissance bilatérale du bruit de canal (en haute fréquence)

|·| Déterminant

Tg Durée du préfixe cyclique

T Durée du symbole OFDM

Tu Durée utile du symbole OFDM

ET Écart type des erreurs d’estimation des retards

EQM Erreur Quadratique Moyenne

Ex,y [·] Espérance (moyenne) sur x et y

ge (t) Filtre d’émission

gr (t) Filtre de réception

Rαl (∆t) Fonction d’autocorrélation du l-ème gain complexe

RH (∆t, ∆f ) Fonction d’autocorrélation temps-fréquence du canal

11
12 LISTE DE NOTATIONS

J0 (·) Fonction de Bessel de première espèce et d’ordre 0

φb (t) Forme d’onde (filtre d’émission) du modulateur OFDM continu

fd Fréquence Doppler

f0 Fréquence porteuse

αl Gain complexe associé au l-ème trajet

IEP(n) [b] IEP sur la b-ème sous-porteuse durant le n-ème symbole OFDM

[X]k,m [k, m]-ème élément de la matrice X

[x]k k-ème élément du vecteur x


tel-00373806, version 1 - 7 Apr 2009

W Largeur de bande du système OFDM

ln(.) Logarithme naturel ou népérien

K Longueur du bloc d’observation

Ng Longueur du préfixe cyclique

diag{x} Matrice diagonale avec x sur sa diagonale principale

blkdiag{X, Y} Matrice diagonale par blocs avec X et Y sur la diagonale principale

H(n) Matrice du canal durant le n-ème symbole OFDM

IN Matrice identité N × N

0N Matrice N × N de zéros

X Matrice X (lettre majuscule en gras)

x(n) n-ème symbole OFDM émis

y(n) n-ème symbole OFDM reçu

Nc Nombre de coefficients polynômiaux

Lt Nombre de coefficients pour le canal discret équivalent

L Nombre de trajets

Nd Nombre de sous-porteuses de donnée


LISTE DE NOTATIONS 13

N Nombre de sous-porteuses du système OFDM

v = N + Ng Nombre d’échantillons dans un symbole OFDM

k · kF Norme de Frobénius

k·k Norme euclidienne

(·)∗ Opérateur de conjugaison

(·)T Opérateur de transposition

(·)H Opérateur de transposition-conjugaison

∂ ∂
∇x = [ ∂[x]1
, ..., ∂[x]N
]T Opérateur différentiel d’ordre 1
tel-00373806, version 1 - 7 Apr 2009

∆xy = ∇∗y ∇Tx Opérateur différentiel d’ordre 2

Im(·) Partie imaginaire

Re(·) Partie réelle

Ts Période d’échantillonnage

τl Retard de propagation associé au l-ème trajet

τmax Retard maximal du canal

h(t, τ ) Réponse impulsionnelle du canal physique

g(t, τ ) Réponse impulsionnelle du canal physique équivalent

H(t, f ) Réponse fréquentielle du canal physique pour la fréquence f à l’instant t

ψb (t) Réponse impulsionnelle du filtre de réception

s(t) Signal OFDM continu émis (ECBB : équivalent complexe en bande de base)

r(t) Signal OFDM continu reçu (ECBB)

X[k1 :k2 ,m1 :m2 ] Sous-matrice de X des lignes k1 à k2 et des colonnes m1 à m2

δk,m Symbole de Kronecker

tanh(.) Tangente hyperbolique

Tcoh Temps de cohérence du canal


14 LISTE DE NOTATIONS

Tr(·) Trace

TF[·] Transformée de Fourier

TZ[·] Transformée en z

σα2 l Variance du gain complexe du trajet l

σ2 Variance du bruit après démodulation OFDM

diag{X} Vecteur dont les éléments sont les éléments de la diagonale principale de X

x Vecteur x (lettre minuscule en gras)

vm Vitesse du récepteur (mobile)


tel-00373806, version 1 - 7 Apr 2009
Liste de Sigles

ADSL Asymmetrical Digital Subscriber Lines

BCRB Bornes de Cramér-Rao Bayesienne

BCRBA Borne de Cramér-Rao Bayesienne Asymptotique


tel-00373806, version 1 - 7 Apr 2009

BCRBM Borne de Cramér-Rao Bayesienne Modifiée

BCRS Borne de Cramér-Rao Standard

BM Borne Minimale

BBAG Bruit Blanc Additif Gaussien

CDMA Code Division Multiple Access

DSP Densité Spectrale de Puissance

DAB Digital Audio Brodcasting

DVB-T Digital Video Brodcasting Terrestrial

ETSI European Telecommunications Standards Institute

GSM Global System for Mobile communications

HIPERLAN High Performance Local Area Network

iid Indépendants et identiquement distribués

IEP Interférence Entre sous Porteuses

IES Interférence Entre Symboles

IPB Interpolation Passe-Bas

IEEE Institute of Electrical and Electronics Engineer

15
16 LISTE DE SIGLES

LMMSE Linear Minimum Mean Square Error

LS Least Square

MAC Medium Access Control

MMSE Minimum Mean Square Error

MIMO Multiple Input Multiple Output

NLOS No line of Sight

OFDM Orthogonal Frequency Division Multiplexing

QAM Quadrature Amplitude Modulation


tel-00373806, version 1 - 7 Apr 2009

RSB Rapport Signal sur Bruit

RI Réponse Impulsionnelle

RIF Réponse Impulsionnelle Finie

SSI Suppression Successive des Interférences

TEB Taux d’Erreur Binaire

TF Transformée de Fourier

TFD Transformée de Fourier Discrète

TFDI Transformée de Fourier Discrète Inverse

VDSL Very high bit rate Digital Subscriber Lines

WSSUS Wide Sense Stationary Uncorrelated Scatters

WLAN Wireless Local Access Network

WIMAX Worldwide Interoperability for Microwave Access


Introduction

Au cours des dernières décennies, les systèmes de communication ont réalisé une révolution
véritable. L’un des événements les plus spectaculaires, c’est que la connexion câblée traditionnelle
est, dans une large mesure sinon totalement, remplacée par la connexion sans fil à une vitesse
exponentielle.
Les systèmes de communication sans fil ont gagné une énorme popularité par rapport aux
systèmes câblés, principalement parce qu’ils sont dans de nombreuses applications beaucoup
tel-00373806, version 1 - 7 Apr 2009

moins coûteux à mettre en œuvre. Par ailleurs, dans des endroits où l’environnement entrave le
déploiement du câble, la connexion radio reste le seul moyen de communication. En gardant le
meilleur pour la fin, les systèmes de communication sans fil permettent l’utilisation des mobiles.
En revanche, il est plus difficile pour un système d’ingénierie de maintenir une communication
fiable sur les canaux sans fil (transmission en radio-fréquence) que sur les canaux avec câble. Le
phénomène de propagation multi-trajet entraı̂ne le plus souvent des situations hostiles et impré-
visibles avec le moindre petit changement dans l’environnement. Les techniques de traitement
de signal jouent donc un rôle extrêmement important pour surmonter ces problèmes.
Une des réalisations les plus bénéfiques de traitement du signal sur la couche physique peut
être l’emploi de la modulation à base de porteuses orthogonales, l’OFDM (Orthogonal Frequency
Division Multiplexing), qui sera le principal sujet de recherche dans cette thèse. La modulation
OFDM a été mise en avant comme une solution supérieure pour luter contre la propagation à tra-
jets multiples, et elle est adoptée dans de nombreux protocoles de communication contemporains.
Malgré ses nombreux avantages, la performance de l’OFDM est beaucoup moins satisfaisante
dans un scénario de communication à grande mobilité, où l’effet Doppler joue un rôle important.
Dans ce cas, les techniques traditionnelles, qui sont utilisées avec succès pour l’estimation de
canal ou l’égalisation dans un environnement statique, fonctionneront de manière trés dégradée.
Voyant la demande croissante pour les communications à grande mobilité, l’objectif de cette
thèse est de proposer quelques solutions efficaces et encore abordables pour ces problèmes.
Dans les prochaines sections, nous allons d’abord faire une description des caractéristiques
des canaux radio-fréquence, en se concentrant sur l’effet Doppler en cas de mobilité. Ensuite,
une description rapide des systèmes OFDM sera donnée ainsi qu’un état de l’art sur l’estimation
de canal. Enfin, nous mettrons le plan de cette thèse.

17
tel-00373806, version 1 - 7 Apr 2009
Chapitre 1

Canal Radio-Mobile, OFDM, et


Estimation de Canal
tel-00373806, version 1 - 7 Apr 2009

Sommaire
1.1 Canal Radio-Mobile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.1.1 Caractéristiques du canal radio-mobile . . . . . . . . . . . . . . . . . . . 20
1.1.2 Modèle mathématique du canal physique en mobilité . . . . . . . . . . . 21
1.1.3 Modèle aléatoire de Rayleigh et effet Doppler . . . . . . . . . . . . . . . 23
1.1.4 Ordre de grandeur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.2 Système OFDM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.2.2 Historique et principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.2.3 Modèles mathématiques de l’OFDM . . . . . . . . . . . . . . . . . . . . 27
1.2.3.1 Modèle analogique . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.2.3.2 Modèle discret . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.2.4 Interférence entre porteuses due à l’effet Doppler . . . . . . . . . . . . . 33
1.3 Estimation de canal pour les systèmes OFDM . . . . . . . . . . . . . 38
1.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.3.2 État de l’Art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.4 Contribution et organisation du document . . . . . . . . . . . . . . . 41
1.4.1 Objectifs de la thèse, démarche, et principales contributions . . . . . . . 41
1.4.2 Plan du document . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

19
20 CHAPITRE 1. CANAL RADIO-MOBILE, OFDM, ET ESTIMATION DE CANAL

1.1 Canal Radio-Mobile


1.1.1 Caractéristiques du canal radio-mobile
tel-00373806, version 1 - 7 Apr 2009

Fig. 1.1 – Scénario typique de propagation radio-mobile

La transmission de l’information sur la voie radio dans les systèmes mobiles s’effectue soit
depuis une station de base vers un mobile (liaison descendante ou “downlink”), soit depuis un
mobile vers la station de base (liaison montante ou “uplink”). Nous considérons par défaut la
liaison descendante. Les conditions de propagation sont très variables et dépendent de l’environ-
nement. La figure 1.1 représente un exemple de scénario typique de propagation radio-mobile
en milieu rural, de la station de base vers le mobile. Les mécanismes de propagation qui se
produisent, en communication sans fils, sont :
– la réflexion (“reflection”) : elle se produit lorsqu’une onde électromagnétique rencontre des
surfaces lisses de très grandes dimensions par rapport à sa longueur d’onde (λ), comme
par exemple la surface de la terre, les bâtiments et les murs.
– la diffraction : elle se produit lorsqu’un obstacle épais et de grande dimension par rapport
à sa longueur d’onde obstrue l’onde électromagnétique entre l’émetteur et le récepteur.
Dans ce cas, des ondes secondaires sont générées et se propagent derrière l’obstacle (“sha-
dowing”).
– la diffusion (“scattering”) : elle se produit lorsque l’onde rencontre un obstacle dont l’épais-
seur est de l’ordre de sa longueur d’onde, comme par exemple les lampadaires et les feux
de circulation. Dans ce cas, l’énergie est dispersée dans toutes les directions.
Le signal transmis doit faire face aux pertes de propagation dues à la distance, aux atténuations
induites par les obstacles qu’il trouve sur son parcours et aux évanouissements suscités par
l’existence de trajets multiples. De ce fait, le signal reçu est une combinaison de plusieurs trajets
dont les amplitudes, les déphasages, les décalages Doppler et les retards diffèrent. Le canal radio-
mobile est donc un canal fluctuant à trajet multiples. D’une manière générale, le phénomène qui
1.1. CANAL RADIO-MOBILE 21

se traduit par une variation de la puissance du signal mesurée à la réception, en fonction du temps
ou de la distance qui sépare l’émetteur du récepteur, est connu sous le nom d’ évanouissement
(“fading”). D’après cette définition, on peut classer les canaux radio-mobiles en deux catégories :
« évanouissement à long terme » et « évanouissement à court terme » [Rapp 99].
L’évanouissement à long terme se manifeste lorsque la distance qui sépare l’émetteur du ré-
cepteur est importante (de quelques dizaines à quelques milliers de mètres). Il est généralement
causé par l’obstruction des ondes par les obstacles (immeubles, forêts, collines, etc.) ou à la
forme du terrain. En pratique, cet évanouissement est modélisé d’après des équations qui déter-
minent « l’affaiblissement de parcours » (“path-loss”). Statistiquement, de nombreuses études le
caractérisent comme une variable aléatoire de loi log-normale qui vient apporter une certaine
incertitude à l’atténuation.
L’évanouissement à court terme se réfère à l’évolution spectaculaire de l’amplitude et de la
phase du signal sur une courte période de temps. Cette variation rapide est due aux trajets
multiples générés par les divers réflecteurs et diffuseurs de la liaison. Le moindre mouvement
du mobile engendrera de très fortes fluctuations d’amplitude de l’enveloppe du signal reçu.
Statistiquement, ces fluctuations d’enveloppe à court terme sont généralement caractérisées par
tel-00373806, version 1 - 7 Apr 2009

une loi de Rayleigh ou de Rice [Proa 00]. La première correspond généralement au milieu urbain,
quand il n’y a pas une ligne visuelle directe (NLOS : no line-of-sight), tandis que la seconde
correspond au milieu rural, quand il y a une ligne visuelle directe (LOS). Dans la suite, nous ne
nous intéressons plus qu’au deuxième phénomène, évanouissement à court terme, avec une loi
de Rayleigh.

1.1.2 Modèle mathématique du canal physique en mobilité

l-ème trajet

Récepteur Mobile
vm

Fig. 1.2 – Trajets multiples dans l’environnement du mobile en mouvement

En raison des dispersions et des réflexions sur les obstacles du milieu de propagation, le signal
reçu r(t) est composé par une superposition de versions retardées et atténuées du signal émis
s(t). Le signal reçu en bande de base (équivalent complexe) s’écrit donc :

L
X 
r(t) = αl (t)s t − τl (t) (1.1)
l=1

avec
22 CHAPITRE 1. CANAL RADIO-MOBILE, OFDM, ET ESTIMATION DE CANAL

– L est le nombre de trajets.


– τl (t) est le retard de propagation associé au l-ème trajet.
– αl (t) est l’amplitude ou gain complexe associé au l-ème trajet.
On en déduit alors la forme de la réponse impulsionnelle du canal physique en bande de base :
L
X 
h(t, τ ) = αl (t)δ τ − τl (t) (1.2)
l=1

Le modèle du canal est donc représenté comme un filtre à Réponse Impulsionnelle Finie (RIF)
évolutif au cours du temps. Notons que si le mobile (récepteur) est fixe, les paramètres du canal
{αl (t), τl (t)} sont invariants dans le temps.
Pour évaluer l’évolution de ces paramètres, le plus naturel consiste à décrire le déplacement
du mobile par un mouvement uniforme avec une vitesse vm entre l’émetteur et le récepteur, et
à introduire un angle d’arrivé θl par rapport au vecteur vitesse de déplacement du mobile pour
chaque trajet (voir figure 1.2). Ce modèle d’évolution déterministe ne décrit pas exactement
la réalité d’une transmission en radio-mobile. Pour mieux représenter l’observation, il faudra
tel-00373806, version 1 - 7 Apr 2009

compléter ce modèle ultérieurement par une description aléatoire.


À cause du déplacement uniforme, le retard de propagation relatif au trajet l varie linéaire-
ment en fonction du temps :
vm
τl (t) = τl (0) + cos(θl )t (1.3)
c
avec c la célérité de l’onde radio-électrique. La variation linéaire du retard entraı̂ne une variation
linéaire de la phase φl (t) du gain complexe αl (t) :
φl (t) = φl (0) − 2πfd cos(θl )t (1.4)
avec fd = vcm f0 la fréquence Doppler et f0 la fréquence porteuse. Étudions maintenant les
variations du retard et de la phase. Par exemple avec des ordres de grandeurs de la norme
IEEE802.16e (f0 = 5GHz, durée d’un symbole OFDM : T = 72µs, bande du signal OFDM :
1
Ts = 2M Hz ), pour une vitesse de mobile vm = 280km/h, la fréquence Doppler est fd = 1300Hz,
ce qui entraı̂ne une variation maximale du retard durant 1000 symboles OFDM de vcm .1000T =
19ns et une variation maximale de la phase durant un symbole OFDM de 2πfd T = 34o . On
peut donc conclure que pour une émission de plusieurs centaines de symboles sur laquelle est
réalisée l’estimation de canal, les retards des trajets pourront toujours être considérés comme
fixes (vis à vis de la résolution temporelle Ts = 0.5µs), en raison d’une vitesse de déplacement
du mobile très faible par rapport à la célérité de l’onde radio-électrique. En revanche, compte
tenu de la fréquence porteuse élevée, un déplacement infime pourra entraı̂ner des variations non
négligeables de phase, et par conséquent des variations non négligeables de gain complexe.
Suite aux remarques précédentes, pour des véhicules à vitesse élevée, les retards des tra-
jets sont considérés fixes, mais pas les gains complexes. Pour l’estimation du canal par slot
de communication, il faudra donc réaliser une première estimation des retards au début de la
communication, mais il ne sera pas forcément nécessaire de prévoir une mise à jour de cette esti-
mation. Par contre, un suivi des gains complexes devra être mis en place. Le modèle dynamique
de la RI du canal en bande de base devient ainsi :
L
X 
h(t, τ ) = αl (t)δ τ − τl × Ts (1.5)
l=1

où τl sont les retards normalisés par rapport à Ts (τl ne sont pas nécessairement des entiers).
Dans le cadre de cette thèse, nous traitons ce type de modèle.
1.1. CANAL RADIO-MOBILE 23

1.1.3 Modèle aléatoire de Rayleigh et effet Doppler


La modélisation la plus classique du canal consiste à considérer que sa RI est stationnaire au
sens large (WSS : wide sense stationary) et que les diffuseurs sont non corrélés (US : uncorrelated
scatters). Ce modèle WSSUS a été introduit par P.A. Bello en 1963 [Bell 63]. L’expérience montre
qu’elle caractérise bien les variations à court terme pour des déplacements jusqu’à quelques
dizaines de longueur d’onde.
Pour un modèle du type WSSUS, les paramètres statistiques du canal peuvent être carac-
térisés par 4 fonctions d’autocorrélation définies chacune en fonction de deux variables tempo-
relles et fréquentielles. Ces fonctions sont liées deux à deux par des Transformées de Fourier
(TF). La fonction de diffusion est la plus utilisée, délivrant un profil de puissance dans le plan
retard-Doppler. La « fonction d’autocorrélation temps-fréquence » du canal (spaced-time spaced-
frequency correlation function), notée RH (∆t, ∆f ), permet de formaliser les notions de temps de
cohérence Tcoh et de bande de cohérence Bcoh . Cette fonction ne dépend pas des dates (t1 , t2 ) et
des fréquences (f1 , f2 ) en absolu mais seulement de leurs écarts ∆t = t1 − t2 et ∆f = f1 − f2 en
raison respectivement des hypothèses WSS et US. Sa définition est  donnée
 à partir de la réponse
tel-00373806, version 1 - 7 Apr 2009

en fréquence du canal variant au cours du temps H(t, f ) = TFτ h(t, τ ) par :


RH (∆t, ∆f ) = E H(t, f )H ∗ (t − ∆t, f − ∆f )
 
(1.6)
On a alors :
– Temps de cohérence : Tcoh = support{RH (∆t, 0)} ≈ f1d
1
– Bande de cohérence : Bcoh = support{RH (0, ∆f )} ≈ τmax

avec τmax l’excursion maximale du canal (étalement des délais en seconde). Le temps de cohé-
rence du canal mesure la séparation temporelle minimale pour laquelle les réponses du canal
à l’émission de deux impulsions sont décorrélées, tandis que la bande de cohérence du canal
correspond à l’écart fréquentiel minimal pour que deux composantes spectrales du canal soient
décorrélées.
Un canal est dit sélectif en temps lorsque la durée du symbole transmis n’est pas faible re-
lativement au temps de cohérence. Il est dit sélectif en fréquence lorsque la largeur de bande du
signal n’est pas faible par rapport à la bande de cohérence du canal. Dans ce cas, certaines fré-
quences du signal sont atténuées d’une façon différente que d’autres fréquences. Dans cette étude,
nous nous sommes uniquement intéressés aux canaux très sélectifs en temps et en fréquence.
La modélisation aléatoire consiste à décrire les gains complexes des trajets αl (t) par une loi
de distribution et une fonction d’autocorrélation, noté Rαl (∆t). Les amplitudes complexes des
différents trajets sont indépendantes entre elles. Dans le cas du modèle de Rayleigh (NLOS), la
loi de probabilité du gain complexe du trajet l est Gaussienne de variance σα2 l , ce qui donne :
– les parties réelles et imaginaires de αl (t) sont des variables Gaussiennes non corrélées entre
elles.
– le module ρl (t) = kαl (t)k suit alors une loi de Rayleigh, donnée par :
 2
 ρ − 2σρl2
p(ρl ) = σ2
l
e αl si ρl ≥ 0 (1.7)
 αl
0 si ρl < 0
– la phase φl (t) du gain complexe est uniformément distribuée entre 0 et 2π
La fonction d’autocorrélation est définie, et calculée pour un environnement isotrope, par [Clar 68]
[Jake 83] :
Rαl (∆t) = E αl (t)αl (t − ∆t)∗ = σα2 l J0 (2πfd ∆t)
 
(1.8)
24 CHAPITRE 1. CANAL RADIO-MOBILE, OFDM, ET ESTIMATION DE CANAL

S (f)
α
l

−fd 0 f
tel-00373806, version 1 - 7 Apr 2009

Fig. 1.3 – Spectre Doppler en U associé au l-ème trajet

où J0 (·) est la fonction de Bessel de première espèce d’ordre 0. On associe un spectre Doppler
à chaque trajet qui peut se déduire par transformée de Fourier de la fonction d’autocorrélation
Rαl (∆t) :

σα2 l

si |f | ≤ fd

 r
    2
Sαl (f ) = TF∆t Rαl (∆t) = πfd 1− f (1.9)

 fd

0 si |f | > fd

Ce spectre Doppler est appelé spectre de Jakes ou en U en raison de sa forme donnée en figure
1.3. Une description plus détaillée sur les caractéristiques des canaux radio-mobile existe dans
les thèses [Ros 01] [Simo 04].

1.1.4 Ordre de grandeur


L’ETSI (European Telecommunications Standards Institute) a proposé des ordres de gran-
deur pour les paramètres des modèles aléatoire de canaux. Dans le cadre de cette thèse, nous
considérons le canal radio-mobile à trajet multiples de type Rayleigh avec un spectre de Jakes,
conformément à la norme GSM (Global System for Mobile communications) 05.05 de l’ETSI
[Euro 93] [Zhao 97]. Ce canal GSM est composé de L = 6 trajets dont Ples paramètres sont ré-
sumés dans le tableau 1.1. Ce canal est normalisé en puissance, i.e., L σ
l=1 αl
2 = 1. Toutes les

simulations de ce mémoire sont réalisées avec ce canal . 1 . Mais évidemment, ce canal n’est choisi
qu’a titre d’exemple pour les simulations. Notre travail s’appliquera à tout canal à trajets mul-
tiples sélectif en fréquence et en temps. Notons que T1s = 2M Hz est la bande du signal OFDM
utilisée dans la norme IEEE802.16e.
1
nous avons retenu ce canal car utilisé par l’article de référence [Zhao 97] sur les méthodes conventionnelles
d’estimation en OFDM
1.2. SYSTÈME OFDM 25

Canal de Rayleigh

Numéro de trajet σα2 l (dB) τl × Ts (µs) τl (échantillons)


pour la simulation

1 -7.219 0 0
2 -4.219 0.2 0.4
3 -6.219 0.5 1
4 -10.219 1.6 3.2
5 -12.219 2.3 4.6
6 -14.219 5 10

Tab. 1.1 – Paramètres du canal (GSM)

1.2 Système OFDM


tel-00373806, version 1 - 7 Apr 2009

1.2.1 Introduction
Une des solutions utilisées pour transmettre un signal à travers un canal sélectif en temps
et en fréquence, sans interférence entre symboles (IES), est de choisir la largeur de bande du
signal bien plus grande que l’élargissement Doppler et bien plus faible que la bande de cohérence
du canal. Ceci n’est possible que si fd × τmax << 1. Dans ce cas favorable, on pourra choisir
la durée d’un symbole, T , telle que τmax << T << Tcoh . Ces hypothèses correspondent à un
signal bande étroite à faible débit. Pour réaliser une transmission à haut débit, il est alors
nécessaire de transmettre un grand nombre de ces signaux bande étroite sur des porteuses
situées en fréquence aussi proches que possible les unes des autres. Tel est le principe de base
des systèmes de transmissions multi-porteuses dont fait partie l’OFDM. Ce système donne ainsi
entière satisfaction tant que la vitesse du mobile ou la fréquence porteuse ne sont pas élevées
au point de sortir de la condition favorable Tcoh >> τmax . L’argument majeur de l’OFDM est
qu’il transforme un canal large bande très sélectif en temps et en fréquence en une multitude de
canaux à bande étroite non sélectifs en fréquence.

1.2.2 Historique et principe


Le concept de modulation multi-porteuses a été introduit à la fin des années 50 et 60 et a été
utilisée dans des systèmes de communications hautes fréquences militaires, tels que les systèmes
Kineplex, ANDEFT et KATHRYN. Quelques années plus tard, R. W. Chang et R. A. Gibby
améliorent le concept en introduisant la notion de signaux orthogonaux à bande limitée [Chan 66]
[Chan 68], concept que l’on appellera par la suite Orthogonal Frequency Division Multiplexing
(OFDM). La méthode qu’ils proposent à l’époque consiste à synthétiser des fonctions temporelles
orthogonales à bande limitée en utilisant des filtre de Nyquist avec un roll-off doux. Du fait de
sa complexité à générer des bancs de filtres de sinusoı̈des, l’OFDM n’a pas tout de suite intéressé
les industriels civils.
En 1971, S. Weinstein et P. Ebert simplifient le schéma de modulation-démodulation en
utilisant la transformée de Fourier discrète inverse (TFDI) à l’émetteur et TFD au récepteur
[Wein 71], plus simple à utiliser et surtout plus facile à implémenter sous forme d’algorithme
rapide.
Pour des transmissions radio-fréquence sans mobilité, l’OFDM initiale était prometteuse
mais n’était pas entièrement robuste au phénomène multi-trajet. En effet, le chevauchement en
26 CHAPITRE 1. CANAL RADIO-MOBILE, OFDM, ET ESTIMATION DE CANAL

réception de plusieurs versions retardées du signal émis entraı̂nait d’une part l’interférence entre
symboles successifs (IES, en anglais “ISI”), et d’autre part l’interférence entre porteuses (IEP, en
anglais “ICI”). Dans ce cas statique, l’IEP était due à la perte d’orthogonalité entre les formes
d’ondes retardées entre elles par le canal. L’ajout d’un simple intervalle de garde suffisamment
long permettait d’éviter l’IES mais la présence d’IEP restait problématique.
En 1980, A. Peled et A. Ruiz ont résolu ce problème en proposant l’ajout d’un intervalle de
garde cyclique (cyclic prefix) [Pele 80] où la fin du signal OFDM est recopiée dans l’intervalle de
garde. Grâce aux propriétés des fonctions exponentielles, l’orthogonalité entre les formes d’ondes
retardées pouvait alors être conservée. Dès lors, l’OFDM devient une technique extrêmement
attractive pour des récepteurs à faibles vitesses (i.e, fd T << 1).
En 1985, L. J. Cimini a étudié cette technique pour des communications radio-mobiles
[Cimi 85]. Il insiste notamment sur la diversité fréquentielle intrinsèque des modulations multi-
porteuses permettant de décorréler l’influence du canal à évanouissement sur les symboles trans-
mis. Deux ans plus tard, R. Lasalle et M. Alard ont proposé un système de télévision numérique
dont la partie modulation est basée sur la technique OFDM [Lasa 87]. En 1995, l’ETSI (Euro-
tel-00373806, version 1 - 7 Apr 2009

pean Telecommunications Standards Institute) a établi le premier standard basé sur l’OFDM :
la radiodiffusion numérique terrestre DAB (Digital Audio Brodcasting). La norme de télévision
numérique terrestre DVB-T (Digital Video Brodcasting Terrestrial) l’adopte à son tour peu de
temps après. Dans le cadre de réseau d’accès câblé, l’OFDM est également utilisée dans les
systèmes ADSL (Asymmetrical Digital Subscriber Lines) et VDSL (Very high bit rate Digital
Subscriber Lines).
Enfin, plus récemment, l’OFDM se trouve dans plusieurs standards comme ceux des réseaux
locaux sans fils WLAN (Wireless Local Access Network) : IEEE 802.11 (Institute of Electrical
and Electronics Engineer) et ETSI HIPERLAN/2 (High Performance Local Area Network).
Dans la future norme d’accès sans fil, IEEE802.16, qui est également appelé WIMAX (Worldwide
Interoperability for Microwave Access), la technique OFDM est adoptée dans la définition des
couches physique et MAC (Medium Access Control).
Par conséquent, il y a eu également de nombreux travaux de recherche et thèses sur le sujet.
Rien qu’en France, on peut par exemple citer [Akmo 00], ou [Crus 05] pour des communications
sur ligne d’énergie, ou [Bouv 06] [Guil 05] en association avec les techniques MIMO, ou [Morl 00]
pour des applications satellite, ou [Nass 06] en combinaison avec le CDMA.

En résumé, l’idée principale de l’OFDM est de diviser la bande spectrale disponible dans des
sous-canaux (sous-porteuses). En rendant tous les sous-canaux à bande étroite, pour rendre le
canal non sélectif en fréquence pour chaque sous-porteuse, l’égalisation sera plus simple. Pour
obtenir une efficacité spectrale élevée les réponses fréquentielles des sous-canaux sont en partie
non disjointes mais orthogonales, d’où le nom OFDM. Avec un canal statique, cette orthogonalité
peut être complètement maintenue, quoique le signal traverse un canal dispersif en temps, grâce
à l’insertion d’un préfixe cyclique qui contient une copie de la fin du symbole OFDM. L’objectif
de l’insertion d’un préfixe cyclique est d’absorber l’IES et l’IEP, du moins dans le cas d’un canal
invariant dans le temps. Pour cette raison, la taille de l’intervalle de garde doit être choisie plus
grande que l’étalement maximal des retards τmax .
Néanmoins, il en résulte des tailles de symbole importantes, ce qui rend la modulation
OFDM très sensible aux canaux à variations rapides, c’est à dire à l’effet Doppler. Comme
nous le détaillerons dans la sous-section 1.2.4, un canal à variation non négligeable durant un
symbole OFDM (i.e, non respect de fd T << 1) entraı̂nera la perte d’orthogonalité entre les
sous-porteuses, qui se traduira par de l’IEP.
1.2. SYSTÈME OFDM 27

1.2.3 Modèles mathématiques de l’OFDM


L’OFDM peut être modélisée de plusieurs manières. Au cours de sa longue histoire, sa re-
présentation a évolué avec les innovations technologiques. Nous présenterons en premier lieu
la représentation continue du système OFDM, à partir de laquelle nous établirons ensuite la
modélisation discrète en bande de base.

1.2.3.1 Modèle analogique

T
x(n)[- N2 ] y(n)[- N2 ]
N
- 2
(t) ! - N (t)
2

b(t)
x(n)[b] y(n)[b]
b (t)
h(t, ) ! b (t)
tel-00373806, version 1 - 7 Apr 2009

s(t) r(t)

x(n)[ N2 -1] y(n)[ N2 -1]


N (t) ! N (t)
2 -1 2 -1

Fig. 1.4 – Système OFDM en bande de base à temps continu

Le modèle du système OFDM à temps continu est illustré dans la figure 1.4.
• L’émetteur :
Considérons un système OFDM comportant N sous-porteuses complexes orthogonales ré-
parties dans une bande de largeur W = T1s et transmettant des symboles de durée T secondes,
comprenant un préfixe cyclique de durée Tg . Cet émetteur utilise les formes d’ondes suivantes :
( b

φb (t) = ej2π Tu t t ∈ [−Tg , Tu ] (1.10)


0 ailleurs

avec b ∈ − N2 , N2 − 1 , Tu = N Ts , Tg = Ng Ts et T = Tu + Tg . Notons que : φb (t) = φb (t + Tu )


 

lorsque t décrit le préfixe cyclique [−Tg , 0]. Ces formes d’ondes vérifient la relation d’orthogo-
nalité suivante :
ZTu
1
φb (t)φ∗b′ (t)dt = δb,b′ (1.11)
Tu
0

où δb,b′ représente le symbole de Kronecker. L’équivalent en bande de base (i.e., sur la bande
fréquentielle [− W W
2 , 2 ]) du signal transmis pour le n-ème symbole OFDM est :

N
−1
2
X
s(n) (t) = x(n) [b]φb (t − nT ) (1.12)
b=− N
2
28 CHAPITRE 1. CANAL RADIO-MOBILE, OFDM, ET ESTIMATION DE CANAL

où x(n) [− N2 ], x(n) [− N2 + 1], ..., x(n) [ N2 − 1] sont les symboles d’information émis tous les Ts ,


provenant
 d’une∗ constellation
 choisie. Ces symboles sont centrés, indépendants et normalisés
(i.e., E x(n) [b]x(n) [b] = 1). Lorsqu’une séquence infinie de symboles OFDM est transmise, le
signal en sortie de l’émetteur est une juxtaposition de symboles OFDM :
N
∞ ∞ 2
−1
X X X
s(t) = s(n) (t) = x(n) [b]φb (t − nT ) (1.13)
n=−∞ n=−∞ b=− N
2

• Le canal physique :
On suppose que le support de la réponse impulsionnelle du canal physique h(t, τ ) (variable
en temps et en fréquence) est restreint à l’intervalle τ ∈ [0, Tg ] (i.e., τmax ≤ Tg ). Le signal reçu
devient :
ZTg
r(t) = (h ⊗ s)(t) + b(t) = h(t, τ )s(t − τ )dτ + b(t) (1.14)
tel-00373806, version 1 - 7 Apr 2009

où b(t) est un Bruit Blanc Additif Gaussien (BBAG) complexe centré circulaire de Densité
Spectrale de Puissance (DSP) bilatérale N0 par dimension (i.e., pour la partie réelle et la partie
imaginaire).
• Le récepteur :
Le récepteur consiste à un banc de filtres, adapté à la dernière partie [0, Tu ] des formes
d’ondes de l’émetteur, c’est à dire :
 1 ∗
ψb (t) = Tu φb (−t) t ∈ [−Tu , 0]
(1.15)
0 ailleurs
Ceci signifie en clair que le préfixe cyclique est retiré à la réception. Puisque le préfixe cyclique
contient, par définition, toute l’interférence entre symboles OFDM provenant du symbole précé-
dent, le signal échantillonné en sortie du banc de filtres du récepteur ne contient pas d’IES. En
utilisant (1.13), (1.14) et (1.15), on obtient la k-ème sous-porteuse reçu durant le n-ème symbole
OFDM :
+∞
Z

y(n) [b] = yb (t) t=nT = r(t)ψb (nT − t)dt =
−∞
 

X
N
2
−1
X Z+Tu
nT ZTg Z+Tu
nT

x(n′ ) [b′ ] ′
 h(t, τ )φb′ (t − n T − τ )dτ  ψb (nT − t)dt + b(t)ψb (nT − t)dt
 
n′ =−∞ b′ =− N nT 0 nT
2
(1.16)
avec yb (t) = (r ⊗ ψb )(t). Notons que φ (t − n′ T
− τ ) 6= 0 pour t ∈
b′ + τ − Tg , + Tu + τ ]. [n′ T n′ T
Puisque τ ≤ Tg , alors les deux intervalles, [n′ T + τ − Tg , n′ T + Tu + τ ] et [nT, nT + Tu ], ne
se chevauchent que pour n′ = n. Ceci vérifie que l’insertion d’un préfixe cyclique Tg ≥ τmax
supprime l’IES. L’équation (1.16) devient donc :

 
N
2
X −1 Z+Tu
nT ZTg
y(n) [b] = x(n) [b′ ] h(t, τ )φb′ (t − nT − τ )dτ  ψb (nT − t)dt + w(n) [b] (1.17)
 

b′ =− N
2 nT 0
1.2. SYSTÈME OFDM 29

nTR+Tu
où w(n) [b] = b(t)ψb (nT − t)dt est un bruit blanc complexe Gaussien centré de variance
nT
σ 2 = 2NTu (soit
0 N0
Tupar dimension). Grâce à la forme exponentielle complexe de φb′ (t), l’intégrale
intérieure peut être écrite comme :

ZTg ZTg
b′
h(t, τ )φb′ (t − nT − τ )dτ = φb′ (t − nT ) h(t, τ )e−j2π Tu τ dτ
0 0
 W
= φb′ (t − nT )H t, b′ (1.18)
N
où H(t, b′ W ′W ′
N ) est l’échantillon prélevé à la fréquence f = b N (i.e., la b -ème fréquence sous-
porteuse) de la transformée de Fourier de h(t, τ ) (i.e., H(t, f ) = TFτ h(t, τ ) ). En utilisant
cette notation, on peut simplifier (1.17) :
N
−1
2 ZTu 
X 1 W
tel-00373806, version 1 - 7 Apr 2009


y(n) [b] = x(n) [b ] H t + nT, b′ φb′ (t)φ∗b (t)dt + w(n) [b]
Tu N
b′ =− N
2 0
N
−1
2
X
= H(n) [b, b′ ]x(n) [b′ ] + w(n) [b] (1.19)
b′ =− N
2

avec
ZTu 
′ 1 W  j2π bT′ −b t
H(n) [b, b ] = H t + nT, b′ e u dt (1.20)
Tu N
0

Pour approcher la valeur de l’intégrale ci-dessus, on utilise la méthode du rectangle avec un pas
de subdivision Ts . On obtient donc :
N −1
1 X  W  j2π b′ −b q
H(n) [b, b′ ] ≈ H qTs + nT, b′ e N (1.21)
N N
q=0

La k-ème sous-porteuse reçu y(n) [b] peut être représentée comme une somme de trois termes :

y(n) [b] = H(n) [b, b]x(n) [b] + IEP(n) [b] + w(n) [b] (1.22)

où IEP(n) [b] est l’interférence entre sous-porteuses sur la b-ème sous-porteuse durant le n-ème
symbole OFDM, définie par :
N
2
−1
X
IEP(n) [b] = H(n) [b, b′ ]x(n) [b′ ] (1.23)
b′ =− N 2
b′ 6=b

En utilisant les notations matricielles, on décrit l’équation globale du système OFDM par :

y(n) = H(n) x(n) + w(n) (1.24)

où x(n) est le n-ème symbole OFDM transmis, y(n) est le n-ème symbole OFDM reçu, w(n) est le
bruit complexe durant le n-ème symbole OFDM et H(n) est la matrice du canal durant le n-ème
30 CHAPITRE 1. CANAL RADIO-MOBILE, OFDM, ET ESTIMATION DE CANAL

symbole OFDM. x(n) , y(n) et w(n) sont des vecteurs de tailles N × 1 et H(n) est une matrice de
taille N × N , définis par :
h  N  N  N iT
x(n) = x(n) − , x(n) − + 1 , ..., x(n) −1
2 2 2
h  N  N  N iT
y(n) = y(n) − , y(n) − + 1 , ..., y(n) −1
2 2 2
h  N  N  N iT
w(n) = w(n) − , w(n) − + 1 , ..., w(n) −1
2 2 2

H(n) [− N2 , − N2 ] · · · H(n) [− N2 , N2 − 1]
 

H(n) = 
 .. .. .. 
. . . 
H(n) [ N2 − 1, − N2 ] · · · H(n) [ N2 − 1, N2 − 1]

La matrice du canal H(n) contient la moyenne temporelle sur la durée effective d’un symbole
OFDM de la réponse fréquentielle du canal H(n) [b, b] sur sa diagonale, et les coefficients de l’IEP
tel-00373806, version 1 - 7 Apr 2009

H(n) [b, b′ ], b 6= b′ , ailleurs.


PLConsidérons maintenant  le canal radio-mobile à trajets multiples donné par (1.5) : h(t, τ ) =
l=1 α l (t)δ τ − τ l T s , où {τ l } sont les retards normalisés par Ts (τl n’est pas forcement un
entier). Nous obtenons donc d’après (1.20) et (1.21) :

ZTu
 
L
1 X W b ′ −b
e−j2πb′ N τl Ts αl (t + nT )ej2π Tu t dt
H(n) [b, b′ ] = (1.25)
Tu
l=1 0
 
L N −1
1 X  −j2π b′ τl X (n) b′ −b
≈ e N αl (qTs )ej2π N q  (1.26)
N
l=1 q=0

(n)
avec αl (qTs ) = αl (qTs + nT ). Notons que si le canal ne varie pas sur la durée d’un symbole
OFDM, on aura d’après (1.20) :

 1 ZTu
′W W
 

H(n) [b, b ] = H nT, b φb′ (t)φ∗b (t)dt = H nT, b′ δb,b′ (1.27)
N Tu N
0

car les filtres d’émission φb′ (t) sont orthogonaux, et par conséquence IEP(n) [b] = 0 et la matrice
du canal H(n) est une matrice diagonale. On peut alors représenter le système OFDM comme
un ensemble de N canaux Gaussiens en parallèle. Dans le cas d’un canal radio-mobile à trajets
multiples où les gains complexes sont invariants dans un symbole OFDM, on obtient d’après
(1.25) :

L
X (n) b
H(n) [b, b] = αl e−j2π N τl (1.28)
l=1

et par suite la matrice diagonale du canal peut être représentée comme une transformation de
Fourier (calibrée selon les retards des trajets) des différents gains complexes :

H(n) = diag{Fα(n) } (1.29)


1.2. SYSTÈME OFDM 31

où F et α(n) sont respectivement la matrice de transformation de Fourier N × L et le vecteur


L × 1 donnés par :
−N −N
 
−j2π N2 τ1 −j2π N2 τL
 e ··· e
. ..

F = 
 .. . .. 
(1.30)
. 
(N N −1)
 
2 −1) ( 2
e−j2π N τ1 · · · e−j2π N τL
(n) T
h i
(n)
α(n) = α1 , ..., αL (1.31)

1.2.3.2 Modèle discret

x(n)[- N2 ] y(n)[- N2 ]
tel-00373806, version 1 - 7 Apr 2009

b(t) Ts
T
x(n)[b] T y(n)[b]
F g e (t) h(t, ) gr (t)
PC PC F
D
D
I r(t) r(n)[q]
s(n)[d] s(t)
x(n)[ N2 -1] y(n)[ N2 -1]

Fig. 1.5 – Système OFDM en bande de base à temps discret

Mettre en œuvre un système OFDM continu tel que nous l’avons décrit précédemment né-
cessite l’utilisation de N filtres analogiques en parallèle parfaitement orthogonaux. De tels filtres
sont pratiquement délicats à réaliser et leur implantation est très coûteuse. C’est pourquoi cette
opération est aujourd’hui réaliser numériquement. Mais le système final reviendra tout de même
quasiment au système analogique, comme nous allons le vérifier. Le modèle du système OFDM
à temps discret est illustré dans la figure 1.5. Dans ce modèle, les bancs de filtres de l’émetteur
et du récepteur sont remplacés par une transformée de Fourier discrète inverse (TFDI) et une
transformée de Fourier discrète (TFD), respectivement. Le signal numérique ainsi créé subit une
conversion numérique-analogique et une mise en forme par le filtre d’émission ge (t) avant d’être
transmis dans le canal h(t, τ ). Il est représenté par :

X N
X −1
s(t) = s(n) [d]ge (t − dTs − nT ) (1.32)
n=−∞ d=−Ng

où s(n) [d] sont les v = N + Ng échantillons du n-ème symbole OFDM générés par le modulateur
TFDI et complétés par un préfixe cyclique, définis par :
N
−1
2
X bd
s(n) [d] = x(n) [b]ej2π N (1.33)
b=− N
2
32 CHAPITRE 1. CANAL RADIO-MOBILE, OFDM, ET ESTIMATION DE CANAL

avec d ∈ [−Ng , N − 1]. Le signal reçu du n-ème symbole OFDM à la sortie du filtre passe-bas
de réception gr (t) est donné par :

+∞
X N
X −1
r(t) = sn [d]g(t, t − dTs − nT ) + b(t) (1.34)
n=−∞ d=−Ng

où g(t, τ ) est le canal analogique équivalent en bande de base (incluant filtre d’émission et filtre
de réception) défini par :

g(t, τ ) = (ge ⊗ h ⊗ gr )(τ ) (1.35)

Après échantillonnage au pas Ts et suppression du préfixe cyclique, les N échantillons reçus sont
donnés par :

rn [q] = r(t) t=qTs +nT
tel-00373806, version 1 - 7 Apr 2009

+∞
X N
X −1  
= sn′ [d]g qTs + n′ T, (q − d)Ts + (n − n′ )T + bn (qT s) (1.36)
n′ =−∞ d=−Ng

 
où q ∈ [0, N − 1], bn [q] = bn (qT s) = b(qT s + nT ) et gn [q, u] = g qTs + nT, uTs est le canal
discret équivalent. Dans un système de communication réaliste, la plupart de la puissance du
canal est concentrée dans un intervalle limité. En outre, en prenant en compte la causalité de la
transmission, on peut encore simplifier le canal discret équivalent à un filtre RIF défini par :

gn [q, u] = 0 si u < 0 ou u > Lt (1.37)


j k
avec Lt ≥ τmax Ts + 1 (égalité possible si délais multiple de Ts ) le nombre de coefficients pour le
canal discret équivalent, où ⌊·⌋ est la partie entière d’un nombre réel. Notons que si les filtres
d’émission et de réception sont des sinus cardinaux alors les coefficients gn [q, d] sont généralement
corrélés, à moins que les retards {τl }soient des multiples de Ts . En plus,
 puisque q ∈ [0, N − 1],
d ∈ [−Ng , N − 1] et Ng ≥ Lt alors g qTs + n T, (q − d)Ts + (n − n )T = 0 si n′ 6= n. Ceci vérifie
′ ′

qu’un préfixe cyclique Ng Ts ≥ Lt Ts supprime l’IES. On peut donc écrire (1.36) comme :

N
X −1
rn [q] = sn [d]gn [q, q − d] + bn [q]
d=−Ng
Lt
X
= gn [q, d]sn [q − d] + bn [q] = (sn ⊗ gn )[q] + bn [q] (1.38)
d=0

Du point de vue du récepteur, l’utilisation d’un préfixe cyclique plus long que la réponse impul-
sionnelle du canal transforme la convolution linéaire ⊗ en une convolution cyclique positive ⊙.
On peut donc écrire l’équation (1.38) comme :

N
X −1
rn [q] = (sn ⊙ gn )[q] + bn [q] = sn [d]gn [q, (q − d)N ] + bn [q] (1.39)
d=0
1.2. SYSTÈME OFDM 33

En utilisant (1.38), les N échantillons du n-ème symbole OFDM générés par le démodulateur
TFD sont donnés par :
N −1
1 X bq
yn [b] = rn [q]e−j2π N
N
q=0
N  
2
−1 N −1 Lt
1 X X ′
(b −b) X ′
b d
= xn [b′ ]  ej2π N q gn [q, d]e−j2π N  + wn [b] (1.40)
N ′ N
b =− q=0 d=0
2

N −1
1 X bq
bn (qTs )e−j2π N et b ∈ − N2 , N2 − 1 . En utilisant le résultat démontré dans
 
avec wn [b] =
N
q=0
l’annexe A, on a pour τ ∈ [0, Ng Ts ] :
Lt +∞  W  W  W
X  −j2π bd X bd
g t, dTs e−j2π N = Ge b

g t, dTs e N ≈ Gr b H t, b (1.41)
N N N
tel-00373806, version 1 - 7 Apr 2009

d=0 d=−∞

où Ge [b] = Ge (b W W
N ) et Ge [b] = Ge (b N ) sont respectivement les réponses fréquentielles des filtres
ge (t) et gr (t) échantillonnées à la fréquence f = b W
N , l’équation (1.40) devient ainsi :
N
−1
2
X
yn [b] = Ge [b′ ]Gr [b′ ]Hn [b, b′ ]xn [b′ ] + wn [b] (1.42)
b′ =− N
2

avec
N −1
1 X  W  j2π (b′ −b) q
Hn [b, b′ ] = H qTs + nT, b e N (1.43)
N N
q=0

Si on suppose que la transmission des N sous-porteuses est dans la région plate des réponses
fréquentielles des filtres d’émission et de réception, l’équation (1.42) revient donc à l’équation
(1.19). On peut donc conclure que les deux modèles analogique et discret sont équivalents.

1.2.4 Interférence entre porteuses due à l’effet Doppler


Dans cette partie, nous allons étudier l’IEP causée par l’effet Doppler due à la mobilité du
récepteur. Pour cela, nous allons d’abord étudier la distribution de puissance sur l’ensemble
des sous-porteuses à la réception, en réponse à l’émission d’un symbole sur une sous-porteuse
particulière. Idéalement, toute la puissance en réception devrait être distribuée seulement sur la
sous-porteuse désirée (qui a été excitée à l’émission), mais ce n’est plus le cas lorsqu’il y a de
l’IEP.
On considère le canal radio-mobile à trajet multiples, de P type Rayleigh avec un spectre
de Jakes, défini par (1.5). Le canal est supposé normalisé (i.e., L 2
l=1 σαl = 1). Afin d’avoir des
indices matriciels k, m ∈ [1, N ], on effectue ce changement d’indices b = k−1− N2 et b′ = m−1− N2
dans l’équation (1.26). Ainsi, le système OFDM est décrit par :
y(n) = H(n) x(n) + w(n)
(1.44)
 
L N −1
1 X  −j2π( m−1 − 1 )τl X (n) m−k
αl (qTs )ej2π N q 
 
H(n) k,m = e N 2
N
l=1 q=0
34 CHAPITRE 1. CANAL RADIO-MOBILE, OFDM, ET ESTIMATION DE CANAL

avec k, m ∈ [1, N ], x(n) sont des symboles centrés, indépendants et normalisés et w(n) est un
vecteur de bruit blanc complexe Gaussien centré de matrice de covariance σ 2 IN (où σ 2 = 2N Tu ).
0

La puissance distribuée sur la k-ème sous-porteuse reçue due à l’émission du symbole [x(n) ]m
sur la m-ème sous-porteuse est donnée par :
 2    h  
    2 2 i   2
Pk,m = E H(n) k,m [x(n) ]m = E H(n) k,m E [x(n) ]m = E H(n) k,m

L N −1 N −1
1 X X X h (n) (n) ∗ j2π m−k (q1 −q2 )
i
= E αl ((q 1 T s )αl (q 2 T s )e N
N2
l=1 q1 =0 q2 =0
L N −1 N −1
1 X 2 X X m−k
J0 2πfd Ts (q1 − q2 ) ej2π N (q1 −q2 )

= 2
σ αl
N
l=1 q1 =0 q2 =0
N −1 N −1
1 X X m−k
J0 2πfd Ts (q1 − q2 ) ej2π N (q1 −q2 )

=
N2
q1 =0 q2 =0
tel-00373806, version 1 - 7 Apr 2009

N −1 N −1
1 X X  j2π u (q1 −q2 )
= J0 2πfd T s (q 1 − q 2 ) e N = P[υ] (1.45)
N2
q1 =0 q2 =0

car les trajets sont non corrélés et le canal et les symboles sont indépendants et normalisés.
On remarque que la puissance Pk,m = P[υ] (avec υ = m − k) est indépendante des retards de
propagations des trajets {τl }. On introduit un nouveau paramètre fd T = (N + Ng )fd Ts appelé
étalement Doppler normalisé (“Doppler spread”) pour représenter l’ampleur de l’effet Doppler.
Ce paramètre caractérise la vitesse de variation temporelle des gains complexes dans un symbole
OFDM. En utilisant (1.45), la puissance distribuée sur les sous-porteuses reçues de m−Ψ à m+Ψ
due à l’émission du m-ème symbole [x(n) ]m peut être exprimée par :
m+Ψ
X Ψ
X
PΨ = Pk,m = P[υ] (1.46)
k=m−Ψ υ=−Ψ

Intéressons nous maintenant à la puissance totale de l’IEP sur la k-ème sous-porteuse, qui est
due à l’ensemble des autres sous-porteuses à l’émission. Elle est donnée par :
 2 

XN XN  2 
IEP
     
P[k] = E  H(n) k,m [x(n) ]m  = E H(n) k,m [x(n) ]m
 
m=1 m=1
m6=k m6=k
N
X N
X
= Pk,m = Pk,m − Pk,k
m=1 m=1
m6=k
N −1 N −1 N
!
1 X X  −j2π k (q1 −q2 ) X m
= J0 2πfd Ts (q1 − q2 ) e N ej2π N (q1 −q2 ) − 1
N2
q1 =0 q2 =0 m=1
N −1 N −1
1 X X  k

= J0 2πfd Ts (q1 − q2 ) N e−j2π N (q1 −q2 ) δq1 ,q2 − 1
N2
q1 =0 q2 =0
N −1 N −1
1 X X 
= 1− 2 J0 2πfd Ts (q1 − q2 ) (1.47)
N
q1 =0 q2 =0
1.2. SYSTÈME OFDM 35

f T = 0.1
d
0
fdT = 0.3
fdT = 0.9
−10 fdT = 0

−20
P[υ ] (dB)

−30

−40

−50

−60
−25 −20 −15 −10 −5 0 5 10 15 20 25
υ = m−k
tel-00373806, version 1 - 7 Apr 2009

(a)

0.95

0.9

0.85 fdT = 0
f T = 0.1
d
fdT = 0.3
fdT = 0.9
0.8
0 5 10 15
Ψ

(b)

Fig. 1.6 – Distribution de la puissance d’une sous-porteuse normalisée émise sur les différentes
(a) ou un ensemble (b) de sous-porteuses voisines à la réception

car les symboles sont indépendants. Notons que la puissance totale d’IEP est identique sur toutes
IEP = P IEP ∀k ∈ [1, N ]. En plus, comme tous les symboles ont la
les sous-porteuses, i.e., P[k]
N
X N
X
même puissance (normalisée) et Pk,m = Pk,m , la puissance totale d’IEP sur la k-ème
m=1 k=1
sous-porteuse est alors égale à la puissance distribuée sur toutes les autres sous-porteuses à la
XN
IEP =
réception provenant de l’émission sur la k-ème sous-porteuse, i.e., P[k] Pm,k .
m=1
m6=k

Pour finir, nous nous intéressons à la puissance partielle d’IEP sur la k-ème sous-porteuse
provenant seulement des sous-porteuses k − 1 à k − Ψ et k + 1 à k + Ψ à l’émission. Elle est
donnée par :
36 CHAPITRE 1. CANAL RADIO-MOBILE, OFDM, ET ESTIMATION DE CANAL

−5

−10

−15
PIEP (dB)

−20

−25

−30

−35

−40
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
fdT
tel-00373806, version 1 - 7 Apr 2009

(a)

0.95

0.9
IEP
IEP partielle P Ψ / P

0.85
IEP

0.8

0.75

0.7 fdT = 0.1


f T = 0.3
d
0.65 fdT = 0.5
fdT = 0.9

1 2 4 6 8 10 12 14 15
Ψ

(b)

Fig. 1.7 – Puissance totale et partielle de l’IEP

k−Ψ
X XΨ
PΨIEP = Pk,m = 2 P[υ] (1.48)
m=k−Ψ υ=1
m6=k

La figure 1.6 montre la distribution de la puissance sur les sous-porteuses à la réception due
à l’émission sur la m-ème sous-porteuse du symbole [x(n) ]m (normalisé), P[υ] en (a) et PΨ en
(b), pour différentes valeurs de fd T avec N = 128 et Ng = 16. On vérifie bien d’après (a) que,
pour un récepteur fixe (fd T = 0), toute la puissance du symbole de la m-ème sous-porteuse à
l’émission ne se trouve que sur la m-ème sous-porteuse (la sous-porteuse désirée ) à la réception.
En revanche, lorsque la vitesse du récepteur commence à augmenter, la variation temporelle des
gains complexes dans un symbole OFDM sera plus importante (i.e., fd T croı̂t) et par conséquence
la puissance du symbole de la m-ème sous-porteuse à l’émission sera moins concentrée sur la
sous-porteuse désirée pour davantage se répandre sur les sous-porteuses voisines. En plus d’après
1.2. SYSTÈME OFDM 37

(b) pour fd T = 0.1, environ 99% de la puissance d’une porteuse émise se répand sur 3 sous-
porteuses à la réception (la sous-porteuse désirée et les 2 adjacentes, i.e.Ψ = 1). Et pour un
Doppler plus élevé de fd T = 0.9, environ 97% de la puissance d’une porteuse émise se répartit
sur 9 sous-porteuses à la réception (i.e. Ψ = 4).
La figure 1.7 donne l’évolution de la puissance totale de l’IEP, P IEP , en fonction de fd T en
(a) et la puissance partielle de l’IEP, PΨIEP , normalisée par P IEP en (b), pour différentes valeurs
de fd T avec N = 128 et Ng = 16. On remarque d’après (a) que P IEP augmente avec fd T . Ceci
est naturel puisqu’on a vu en figure 1.6 (a) que la puissance reçue sur la sous-porteuse désirée
diminuait avec fd T . D’après (b), on observe que plus de 90% de la puissance totale de l’IEP
provient des 12 sous-porteuses voisines (i.e. Ψ = 4). De plus, lorsque l’étalement Doppler fd T
est élevé, les sous-porteuses proches de la sous-porteuse désirée contribuent à un pourcentage
élevé de la puissance totale de l’IEP.
On peut donc conclure que, pour des gains complexes à variations temporelles dans un
symbole OFDM, la plupart de la puissance d’une sous-porteuse émise est distribuée sur la sous-
porteuse désirée et sur quelques sous-porteuses voisines seulement. De même, la plupart de l’IEP
reçue sur chaque sous-porteuse provient seulement de quelques sous-porteuses voisines à l’émis-
tel-00373806, version 1 - 7 Apr 2009

sion.

Rapport Signal à Bruit (RSB) : Dans ce mémoire, les courbes de performance seront géné-
ralement exprimées en fonction du Rapport Signal à Bruit (RSB) obtenu après la démodulation
OFDM, c’est à dire en sortie de la TFD. Il est cependant utile de pouvoir relier ce RSB au
Eb
paramètre conventionnel d’entrée du récepteur, qui est le rapport N 0
.
Le Rapport Signal à Bruit (RSB) pour le m-ème symbole [x(n) ]m est donné (pour des sym-
boles normalisés, décorrélés et un canal normalisé) par :

N
X  2  N
X
 
E H(n) k,m [x(n) ]m Pk,m

k=1 k=1 1
RSBm = = = (1.49)
σ2 σ2
h 2 i
E [w(n) ]m

Le RSB complet pour le symbole OFDM x(n) (normalisé) est donc donné par :

N X
X N
Pk,m
m=1 k=1 1
RSB = = = RSBm (1.50)
N
X h 2 i σ2
E [w(n) ]m
m=1

L’énergie moyenne par bit à l’entrée (Haute Fréquence) du récepteur est définie par :

1 
E |r(t)|2 × Tb

Eb = (1.51)
2
Tu
avec Tb = N.N b
est le temps bit et Nb est le nombre de bits par symbole [x(n) ]m . Avec nos
conventions de canal normalisé, on a ainsi :

1  Tb
E [x(n) ]m [x(n) ]∗m .N.Tb = N.

Eb = (1.52)
2 2
38 CHAPITRE 1. CANAL RADIO-MOBILE, OFDM, ET ESTIMATION DE CANAL

2 Eb
On peut finalement en déduire la relation entre le RSB et le rapport N0 :

2Eb /(N.Tb ) Eb
RSB = = Nb (1.53)
2N0 /Tu N0
 
Eb
(RSB)dB = dB + 10log10 (N b) (1.54)
N0
 
Eb
On aura donc par exemple pour des symboles QPSK, la relation N 0
dB = (RSB)dB−3dB.

1.3 Estimation de canal pour les systèmes OFDM


1.3.1 Introduction
Le canal de propagation vu par le récepteur peut non seulement varier de manière signifi-
cative d’un symbole OFDM à l’autre, mais également à l’intérieur d’un même symbole OFDM.
tel-00373806, version 1 - 7 Apr 2009

Cette variation est principalement due aux changements des conditions de propagation entre
l’émetteur et le récepteur. D’un point de vue physique, le caractère variable du canal peut être
caractérisé, comme nous l’avons déjà vu, par le produit fd T appelé étalement Doppler. Plus ce
produit est grand, plus le canal varie rapidement dans le domaine temporel. Alors, une estima-
tion dynamique de canal est nécessaire pour mener à bien la démodulation complète des signaux
OFDM puisque le canal radio est sélectif en fréquence et variant avec le temps pour les systèmes
de communication large bande. L’estimation de canal peut être exécutée à l’aide de l’insertion
de symboles pilotes sur toutes les sous-porteuses d’un symbole OFDM avec une période spéci-
fique, connue sous le nom de « estimation du canal par pilotes de type bloc ». Elle peut aussi
être réalisée en insérant des symboles pilotes dans chaque symbole OFDM, connue sous le nom
« estimation du canal par pilotes de type peigne ». L’estimation du canal par pilotes de type
bloc a été développée sous l’hypothèse d’un canal à évanouissement lent, i.e., canal invariant sur
plusieurs symboles OFDM. Par contre, l’estimation du canal par pilotes de type peigne a été
présentée pour satisfaire le besoin de l’égalisation quand le canal change d’un symbole OFDM à
un autre ou dans un même symbole OFDM. De plus, d’un symbole à l’autre le canal est corrélé.
Bien que d’utilisation largement répandue par sa simplicité, le critère des moindres carrés (LS :
“Least Square”) ne permet pas de profiter de la corrélation du canal entre deux symboles adja-
cents. En effet, sa mise en oeuvre dans un tel problème reviendrait à réaliser une estimation du
canal symbole par symbole. En revanche, le critère du minimum de variance de l’erreur d’estima-
tion ou de l’erreur quadratique moyenne (MMSE : “Minimum Mean Square Error”) permet de
prendre en compte cette corrélation, et de l’information à priori sur le canal. Dans la suite, nous
utiliserons ces deux critères avec des pilotes de type peigne dans nos algorithmes d’estimation
de canal.

1.3.2 État de l’Art


Dans cette section, nous allons décrire les méthodes d’estimation de canal existantes dans
des contextes OFDM. Ces méthodes peuvent être simplifiées par l’utilisation de modulations
différentielles [Jaff 00]. Une modulation numérique peut être qualifiée de différentielle ou de
cohérente. L’utilisation d’une modulation différentielle permet de se passer d’estimer le canal
puisque l’information est codée dans la différence de phase entre deux symboles consécutifs.
2
Notons que cette relation ne prend pas en compte la perte d’énergie utile dans le préfixe cyclique, égale à
10log( N +N
N
g
)
1.3. ESTIMATION DE CANAL POUR LES SYSTÈMES OFDM 39

Cette technique est couramment utilisée dans les systèmes sans fil puisqu’elle réduit considéra-
blement la complexité du récepteur ne comportant pas d’estimateur de canal. La modulation
différentielle par déplacement de phase (DPSK : “Differential Phase Shift Keying”) est utilisée
dans la norme européenne “Digital Audio Broadcast” (DAB) [Euro 95]. Cette simplicité n’est
évidemment pas dépourvue d’inconvénients, en effet la différence entre une modulation différen-
tielle et une modulation cohérente en terme de performances est de l’ordre de 3 dB en canal
Gaussien [Proa 00] et les modulations différentielles classiques ne permettent pas l’utilisation
de constellations multi-amplitude. Bien qu’en général, ces méthodes n’en comportent pas, elles
peuvent tirer parti de l’aide apportée par un estimateur de canal [Fren 96].
Il existe une alternative intéressante aux modulations cohérentes et différentielles classiques :
les modulations différentielles par déplacement d’amplitude et de phase (“Differential Amplitude
and Phase Shift Keying” : DAPSK) [Enge 95a], [Enge 95b], [Rein 94], [Rohl 95]. Elles présentent
une efficacité spectrale bien supérieure aux modulations de phase classiques (MDP) puisque
l’amplitude des symboles subit également un codage différentiel.
Les modulations cohérentes permettent l’utilisation de constellations arbitraires et sont un
choix évident pour les systèmes filaires où le canal ne varie que très peu avec le temps. Dans les
tel-00373806, version 1 - 7 Apr 2009

systèmes sans-fil, l’efficacité spectrale des modulations cohérentes en font un choix intéressant
lorsque le débit est très élevé, comme dans la norme “digital video broadcast” (DVB) [Euro 96],
[Coua 94].
La conception d’un estimateur de canal repose fondamentalement sur deux problèmes qui
sont la quantité de symboles pilotes devant être transmise et la complexité de l’estimateur devant
poursuivre correctement le canal. Ces deux problèmes sont bien évidemment liés puisque les per-
formances de l’estimateur dépendent de la quantité de donnée pilote émise. Cependant, quelques
méthodes n’utilisent aucune information pilote. Ces méthodes dites « aveugles » peuvent se ba-
ser sur l’utilisation de la cyclostationarité introduite par le préfixe cyclique [Cour 96], [Heat 97],
[Cai 00], ou sur la méthode sous-espace [Muqu 99] initiée dans [Moul 95]. Une autre méthode
proposée dans [Chot 99] réalise l’estimation aveugle de canal au sens du critère du Maximum de
Vraisemblance sans aucune information sur les caractéristiques statistiques du canal.
La littérature contient aujourd’hui un grand nombre d’articles portant sur les techniques
semi-aveugle, utilisant des symboles pilotes multiplexés au signal transmis. Les symboles pilotes
permettent d’obtenir par interpolation une estimation du canal sur l’ensemble des symboles
transmis. Cette technique est appelée Modulation Assistée par des Symboles Pilotes (PSAM :
“Pilot-Symbol Assisted Modulation”) et a été introduite pour des systèmes mono-porteuse par
Moher et Lodge [Mohe 89] puis analysée par Cavers [Cave 91]. Puisque, en OFDM, chaque sous-
porteuse est soumise à un évanouissement non sélectif, la méthode PSAM peut être généralisée
aux deux dimensions (temps-fréquence), où les pilotes sont placés à certaines positions du treillis
OFDM temps-fréquence. L’estimation du canal se fait généralement sur la réponse fréquentielle
si le canal est invariant (ou quasi-invariant) dans un symbole OFDM ou sur le canal discret
équivalent si le canal varie dans un symbole OFDM.
Dans le premier cas, des méthodes classiques (que nous appellerons « conventionnelles »)
estiment la réponse fréquentielle du canal aux fréquences des différentes sous-porteuses pilotes,
en utilisant les critères LS ou LMMSE (“Linear” MMSE), et font une interpolation fréquentielle
pour obtenir la réponse du canal [Hsie 98], [Cole 02], [Zhao 97]. Le critère LMMSE a montré que
une meilleur performance que le critère LS [Hsie 98]. Dans [Edfo 98], la complexité obtenue avec
le critère LMMSE est réduite en utilisant un estimateur de rang réduit optimal avec la décompo-
sition en valeur singulière. L’interpolation du canal par pilotes de type peigne peut être basée sur
l’interpolation linéaire, l’interpolation du second ordre, l’interpolation passe-bas, l’interpolation
du spline cubique et l’interpolation dans le domaine temporel. L’interpolation du second ordre a
40 CHAPITRE 1. CANAL RADIO-MOBILE, OFDM, ET ESTIMATION DE CANAL

montré une meilleure performance que l’interpolation linéaire. L’interpolation dans le domaine
temporel a donné le plus faible taux d’erreur binaire (TEB) par comparaison à l’interpolation
linéaire. Dans [Cole 02], l’interpolation passe-bas a montré la meilleure performance de toutes
les techniques d’interpolation.
Dans l’estimation du canal à deux dimensions (2D) [Hohe 97b], [Hohe 97a], les pilotes sont
insérés dans les deux domaines temps et fréquence, avec un espacement qui respecte le rythme
d’échantillonnage de Nyquist (théorème d’échantillonnage), et l’estimateur est basé sur les filtres
à 2D. En général, les performances avec l’estimateur du canal à 2D sont meilleures qu’avec 1D,
au dépend seulement de la complexité élevée. La solution optimale en terme d’erreur quadratique
moyenne est basé sur le filtre de Wiener à 2D qui utilise les statistiques du canal au second ordre.
Une technique utilisée pour réduire la complexité du filtre de Wiener à 2D, consiste à faire une
séparation du filtre de Wiener à 2D dans le domaine temps-fréquence en deux filtre de Wiener à
1D l’un en fréquence et l’autre en temps [Dudg 84]. Cette technique amène à un compromis entre
la performance et la complexité. Le filtrage à 1D peut par exemple être effectué dans la direction
des fréquences séparément pour tous les symboles OFDM accueillant les sous-porteuses pilotes,
suivi d’un filtrage à 1D dans la direction du temps, séparément pour toutes les sous-porteuses.
tel-00373806, version 1 - 7 Apr 2009

De meilleures performances sont obtenues dans [Yang 01] avec une approche différente s’ap-
puyant sur l’estimation des paramètres du canal physique, consistant à estimer directement les
retards puis les gains complexes des trajets. Dans cette méthode qui a retenu notre attention,
on utilise le critère MDL (“Minimum Description Length”) [Wax 85], [Xu 94] pour détecter le
nombre de trajets dans le canal. Ensuite, on utilise la technique ESPRIT (“Estimation of Signal
Parameters by Rotational Invariance Techniques”) [Roy 89] pour estimer les retards initiaux des
trajets. Comme les retards varient lentement avec le temps, alors on utilise un IPIC (“Interpath
Interference canncellation”) avec une DLL (“Delay Locked Loop”) pour poursuivre les retards
des trajets du canal. Enfin, un estimateur MMSE basé sur la connaissance des retards est utilisé
pour estimer la réponse fréquentielle du canal. Cet estimateur basé sur les paramètres du canal
a la meilleure performance de tous les estimateurs par pilotes de type peigne tant que le canal
est invariant dans un symbole OFDM, mais sa complexité est très grande.
Récemment, le développement sur une base de fonctions (BEM : “Basis Expansion Model”)
a été introduit pour approximer les variations du canal dans les systèmes OFDM. Toujours
pour un canal invariant dans un symbole OFDM, [Yang 01] propose un algorithme d’estimation
qui utilise un développement sur une base polynomiale dans le domaine temps-fréquence pour la
réponse fréquentielle du canal. Cet algorithme exploite la corrélation de la réponse de canal dans
les deux domaines temps et fréquences pour davantage réduire le niveau de bruit par rapport
aux méthodes utilisant seulement le modèle polynomial dans le domaine temps ou fréquence.
Cet estimateur est plus robuste que les méthodes existantes basées sur la transformée de Fourier
[Li 98], mais il demande une information à priori sur les délais et le type d’évanouissement du
canal. Également, [Seno 05] utilise le développement orthogonal de Karhunen-Loeve (KL) pour
modéliser et estimer les coefficients corrélés du canal discret équivalent.
Dans le cas d’un canal variant en temps dans un symbole OFDM, de nombreux travaux
recourent à l’estimation des coefficients du canal discret équivalent, qui sont modélisés par une
BEM [Tang 07], [Toma 05]. Les méthodes de BEM [Tang 07] utilisées sont basés sur les fonctions
de Karhunen-Loeve (KL-BEM), les fonctions sphéroı̈dales allongées (PS-BEM : “prolate sphe-
roidal” BEM), les fonctions exponentielles complexes (CE-BEM : “complex-exponential” BEM)
et les fonctions polynomiales (P-BEM). Le KL-BEM est optimal en terme d’erreur quadratique
moyenne, mais n’est pas robuste aux erreurs de connaissance des paramètres statistiques du
canal. Le PS-BEM permet quand à lui une approximation générale de toutes les caractéristiques
statistiques du canal, bien que la bande limitée des fonctions orthogonales sphéroı̈dales induisent
1.4. CONTRIBUTION ET ORGANISATION DU DOCUMENT 41

un support temporel important dans l’intervalle considéré. Le CE-BEM est indépendant des sta-
tistiques du canal, mais induit une erreur de modélisation grande. Enfin, une grande attention a
été attribuée au P-BEM, bien que ses performances soient plutôt sensibles à l’étalement Doppler.
Néanmoins, il fournit un meilleur ajustement pour les faibles étalements Doppler que pour les
forts étalements Doppler. Dans [Most 05], une méthode linéaire est utilisée pour approximer les
variations des coefficients du canal discret. Les pentes de l’évolution des coefficients sont estimées
à partir du préfixe cyclique, ou à partir des deux symboles OFDM adjacents. Une dernière mé-
thode proposée dans [Bane 07], basée sur la modélisation des coefficients sur une BEM, consiste
à estimer et poursuivre les coefficients de la BEM à l’aide d’un filtre de Kalman.
Cependant, si l’étalement des retards du canal augmente, le nombre de coefficients du canal
discret équivalent augmente également (voir section 1.2), ce qui conduit à une modélisation
avec un grand nombre de coefficients de BEM. Dans un tel cas, plus de symboles pilotes sont
nécessaires afin d’estimer les coefficients de BEM.

1.4 Contribution et organisation du document


tel-00373806, version 1 - 7 Apr 2009

1.4.1 Objectifs de la thèse, démarche, et principales contributions


Ce travail a été effectué au Laboratoire Grenoble, Image, Parole, Signale, Automatique
(GIPSA), dans le département Image et Signal (DIS), financé par une Bourse Ministérielle.
Il s’inscrit dans le contexte des communications sans fil pour des récepteurs à grande mobilité
basées sur l’OFDM. Il ne se limite pas au strict cadre de la norme IEEE802.16e, même si nous
montrerons des applications numériques avec les ordres de grandeur de cette norme. L’objectif
est de proposer des algorithmes d’estimation de canal et de suppression d’IEP pour les
récepteurs OFDM à grande mobilité en liaison descendante, qui peuvent être utilisés
dans la norme ou dans des contextes plus généraux.
Nous avons vu que la plupart des algorithmes d’estimation de canal estiment soit la Fonction
de Transfert du canal en fréquence [Hsie 98], [Cole 02], [Zhao 97] (algorithmes conventionnels
pour les lentes variations), soit le canal discret équivalent dans le domaine temporel [Tang 07]
(pour les rapides variations), c’est à dire la Réponse Impulsionnelle du filtre numérique résultant
du canal physique, des filtres analogiques de mise en forme émission/réception et de l’échantillon-
nage au temps échantillon Ts à la réception. Notre démarche est assez différente car nous avons
cherché à estimer directement les paramètres du canal physique, au lieu du canal discret équi-
valent. Cela signifie l’estimation des paramètres physiques de propagation tels que les retards et
les variations temporelles des gains complexes du canal à trajet multiples. Nous sommes ainsi
partis de l’algorithme mené par [Yang 01] valable pour un canal qui ne présente pas de variation
à l’intérieur du symbole OFDM. Suite à l’étude présentée dans le chapitre 1, pour des véhicules
à vitesse élevées, les retards des trajets sont considérés fixes sur plusieurs symboles OFDM, mais
pas les gains complexes. Pour l’estimation du canal par slot de communication, il faudra donc
réaliser une première estimation des retards au début de la communication, mais il ne sera pas
nécessaire de prévoir une mise à jour de cette estimation 3 . Par contre, un suivi des variations
temporelles des gains complexes dans un symbole OFDM devra être mis en place.
Afin d’étudier la qualité des estimateurs des variations temporelles des gains complexes, on a
développé une approximation à base de polynôme pour modéliser l’évolution des gains complexes
d’un canal de Rayleigh (présenté dans le chapitre 2). Ensuite, en se basant sur la modélisation
polynomiale, on a effectué un calcul des Bornes de Cramér-Rao (BCR) pour les estimateurs des
gains complexes dans les systèmes OFDM (présenté dans le chapitre 2), d’abord pour le cas d’un
3
Ou bien en tout cas le suivi des retards serait aisé à réaliser
42 CHAPITRE 1. CANAL RADIO-MOBILE, OFDM, ET ESTIMATION DE CANAL

canal ne présentant pas de variation à l’intérieur d’un symbole OFDM [Hija 08c] [Hija 09b] puis
pour un canal à fortes variations [Hija 09a].
Dans le cas d’un canal à lente variation nous avons étendu l’algorithme de [Yang 01] en pro-
posant 2 nouveaux algorithmes et surtout l’étude analytique de leurs performances (présentés
dans le chapitre 3). Ces deux algorithmes délivrent une estimation des variations temporelles
des gains complexes à partir des valeurs moyennes estimées, et utilisent une soustraction d’inter-
férence ainsi qu’une procédure itérative. Le premier algorithme [Hija 07c] [Hija 07a] [Hija 07b]
[Hija 09d] , qui est l’extension la plus naturelle de [Yang 01], est basée sur une interpolation
linéaire des moyennes. Le deuxième algorithme [Hija 09c] [Hija 08d] est basé sur une approxi-
mation polynomiale, et permet de diminuer la complexité.
Lorsque le canal présente de plus fortes variations temporelles, il n’est plus très pertinent
de réaliser une estimation à partir des moyennes. Nous avons alors révisiter la modélisation
polynomiale des gains complexes (présentée dans le chapitre 2) et avons proposé un algorithme
[Hija 08b] [Hija 08a] basé sur le filtre de Kalman et la décomposition QR d’une matrice.
tel-00373806, version 1 - 7 Apr 2009

1.4.2 Plan du document


Le présent mémoire est organisé de la façon suivante :

Le deuxième chapitre porte sur l’approximation polynomiale des gains complexes d’un pro-
cessus de Rayleigh avec un spectre de Jakes et sur le calcul des Bornes de Cramér-Rao (BCR)
pour les estimateurs des gains complexes dans les systèmes OFDM, en faisant l’hypothèse de
la connaissance des retards à la réception. Nous traitons les cas suivants : canal invariant dans
un symbole OFDM et canal variant dans un symbole OFDM, avec et sans connaissance des
symboles OFDM (DA : “data-aided” et NDA : “non-data-aided”). Nous présentons la famille des
BCR pour ces estimateurs, la BCR Standard (BCRS), la BCRS Modifiée (BCRSM), la BCR
Bayésienne (BCRB), la BCRB Modifiée (BCRBM) et la BCRB Asymptotique (BCRBA). Nous
donnons les calculs permettant d’obtenir cette famille de BCR dans le cadre d’une estimation
de type «hors-ligne» (“off-line”) et «en-ligne» (“on-line”).

Dans le troisième chapitre, nous nous intéressons à un canal variant en temps dans un symbole
OFDM de type Rayleigh avec un spectre de Jakes. En exploitant la non-variation des retards sur
plusieurs symboles OFDM, nous proposons deux algorithmes pour estimer les variations tempo-
relles des gains complexes des trajets sur quelques symboles OFDM et supprimer les IEPs pour
des récepteurs à vitesses modérées. Ces deux algorithmes sont basés sur les valeurs moyennes
des gains complexes des trajets. Ils utilisent la méthode suppression successive des interférences
(SSI) pour estimer les symboles de données. Le premier algorithme interpole les valeurs moyennes
estimés dans le domaine temporel par une interpolation passe-bas (IPB) classique. Par contre,
le deuxième algorithme fait une approximation polynomiale des gains complexes sur un bloc de
quelques symboles OFDM et calcule les coefficients des polynômes à partir seulement des va-
leurs moyennes estimées. Enfin, une analyse complète des performances de ces deux algorithmes
est réalisée et une étude de la sensibilité du deuxième algorithme aux erreurs d’estimation des
retards est faite en utilisant la technique ESPRIT.

Le quatrième chapitre propose un troisième algorithme, mieux adapté aux récepteurs OFDM
à très grande vitesse. Cet algorithme est basé sur la modélisation polynomiale (présentée dans le
deuxième chapitre) des variations temporelles des gains complexes à l’intérieur d’un seul symbole
OFDM. Il modélise l’évolution dynamique des coefficients polynomiaux par un processus autoré-
1.5. CONCLUSION 43

gressif (AR) afin d’utiliser le filtre de Kalman pour poursuivre et estimer ses coefficients. Ensuite,
une étude complète des performances de cet algorithme est réalisée et une comparaison avec les
deux premiers algorithmes est faite. Enfin, nous étudions la sensibilité de cet algorithme aux
erreurs d’estimation des retards et aux erreurs sur la connaissance des paramètres statistiques
du canal.

1.5 Conclusion
Dans ce premier chapitre, nous avons d’abord présenté le canal radio-mobile à trajet mul-
tiples. Nous avons précisé les caractéristiques et les différents types de canaux. Dans la suite de
ce mémoire, on s’intéresse particulièrement à un canal très sélectif en fréquence et en temps de
type Rayleigh avec un spectre de Jakes. On a également présenté les modèles classique du sys-
tème OFDM. L’OFDM présente plusieurs avantages importants, dont certains sont : efficacité
spectrale élevée, exécution simple avec les paires TFDI et TFD, suppression de l’interférence
entre symboles (IES) et robustesse aux environnements sélectifs en fréquence. Mais on a aussi
tel-00373806, version 1 - 7 Apr 2009

mis en évidence la présence d’un inconvénient important : la sensibilité à l’effet Doppler. En effet,
dans le cas d’un récepteur mobile rapide, l’orthogonalité entre les formes d’ondes est détruite,
ce qui cause de l’interférence entre les sous-porteuses (IEP). Enfin, nous avons présenté l’état de
l’Art des méthodes d’estimation de canal et, la contribution et l’organisation de ce document.
44 CHAPITRE 1. CANAL RADIO-MOBILE, OFDM, ET ESTIMATION DE CANAL
tel-00373806, version 1 - 7 Apr 2009
Chapitre 2

Modélisation Polynomiale et Bornes


de Cramér-Rao Bayesienne
tel-00373806, version 1 - 7 Apr 2009

Sommaire
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.2 Modélisation polynomiale de la variation temporelle des gains com-
plexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.3 Bornes de Cramér-Rao Bayesienne (BCRBs) . . . . . . . . . . . . . . 51
2.3.1 Définition des BCRB «hors-ligne» et «en-ligne» . . . . . . . . . . . . . . 51
2.3.2 BCRB pour l’estimation des coefficients c et des gains α . . . . . . . . . 54
2.3.2.1 Gains complexes «variants» durant un symbole OFDM . . . . 54
2.3.2.2 Gains complexes «invariants» durant un symbole OFDM . . . 57
2.3.3 Simulation et discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.3.3.1 Gains complexes «invariants» durant un symbole OFDM . . . 59
2.3.3.2 Gains complexes «variants» durant un symbole OFDM . . . . 62
2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

45
46 CHAPITRE 2. MODÉLISATION POLYNOMIALE ET BORNES DE CRAMÉR-RAO BAYESIENNE

2.1 Introduction
Dans le cas des systèmes de communication radio-mobile large bande à modulation OFDM,
une estimation dynamique du canal [Tang 07] [Most 05] est une fonction fondamentale, puisque
le canal radio est sélectif en fréquence et variant avec le temps [Baha 99]. L’estimation du canal
peut se résumer à estimer certains paramètres physiques de propagation, tels que les retards
et les gains complexes des trajets. Dans les transmissions radio-fréquences, nous avons vu au
chapitre précédent que les retards sont quasi-invariants sur plusieurs symboles OFDM, mais
les gains complexes peuvent changer de manière significative, même à l’intérieur d’un symbole
OFDM. En exploitant la nature du canal et en supposant les retards connus à la réception,
une catégorie d’algorithmes cherche à estimer directement les variations temporelles des gains
complexes, aussi bien dans les systèmes OFDM [Yang 01] que dans d’autres systèmes comme en
CDMA [Simo 07], [Simo 05]. C’est aussi la démarche que nous avons eu pour les trois algorithmes
proposés dans le cadre de cette thèse [Hija 07a], [Hija 09c], [Hija 08b] et que nous présenterons
dans les chapitres suivants.
Dans ce contexte, la question se pose de la précision ultime que l’on peut obtenir dans les
tel-00373806, version 1 - 7 Apr 2009

opérations d’estimation du canal. L’établissement de bornes inférieures sur cette précision est
un objectif important car il fournit des points de références pour qualifier la performance des
estimateurs de canal. Les outils pour aborder ce problème sont disponibles dans le cadre de la
théorie de l’estimation de paramètres [Tree 68], [Kay 93], sous forme des Bornes de Cramér-Rao
(BCR), qui donnent les limites inférieures pour la variance de l’erreur de n’importe quel estima-
teur non biaisé. La BCR standard (BCRS) concerne l’estimation de paramètres déterministes
dans un modèle statistique invariant dans le temps. Une BCR modifiée (BCRM), plus facile à
évaluer que la BCR standard, a été introduite dans [Gini 98] [DAnd 94] pour des paramètres
déterministes. Le BCRM s’avère utile lorsque les données observées ne dépendent pas seulement
du paramètre à estimer mais aussi d’autres paramètres non désirés.
Lorsque le(s) paramètre(s) à estimer est variable dans le temps comme c’est le cas ici, le
problème de dérivation de bornes d’estimation a été adressé dans le contexte Bayesien par Van
Trees [Tree 68]. Il suppose que les paramètres variables sont aléatoires avec une certaine loi
connue, dite a priori , comme c’est le cas pour nous. Van Trees a alors dérivé une borne, que
nous nommerons 1 ici borne de Cramér-Rao Bayesienne (BCRB), qui est adaptée à ce problème.
Plus récemment dans [Tich 98], les auteurs proposent un cadre général pour obtenir l’expres-
sion analytique des BCRBs dans le cadre d’une estimation de type «en-ligne». De même, une
BCRB Modifiée (BCRBM), plus facile à évaluer que la BCRB, a été introduite dans [Bobr 87].
De plus, dans [Bay 08b], les auteurs introduisent une nouvelle borne asymptotique pour l’esti-
mation de phase, nommée la BCRB Asymptotique (BCRBA), sans connaissance des données
(NDA : ”non-data-aided”). Cette borne est plus proche de la BCRB classique que la BCRBM
et est plus facile à évaluer que la BCRB. Notons que, dans le cas de paramètres hybrides (i.e.,
combinaison de paramètres déterministes et aléatoires), une nouvelle BCR a été introduite qui
est une combinaison entre les bornes Standard et Bayesienne, nommée BCR Hybride (BCRH)
[Rock 87] [Bay 08a].
Dans cette contribution, nous étudions la BCRB relative au cas de l’estimation des gains
complexes de type Rayleigh avec un spectre de Jakes dans un système OFDM. On distingue
deux cas différents pour les variations temporelles du canal : gain complexe «variant» et «inva-
riant» à l’intérieur d’un symbole OFDM. Des expressions explicites de la BCRB et ses variantes,
BCRBM et BCRBA, sont fournies pour les scénarios «en-ligne» et «hors-ligne» et, avec et sans
connaissance des symboles OFDM (DA : ”data-aided” et NDA : ”non-data-aided”).
1
initialement dénommée “Van Trees version of the CRB” ou encore “posterior CRB”’
2.2. MODÉLISATION POLYNOMIALE DE LA VARIATION TEMPORELLE DES GAINS COMPLEXES 47

0.72 2
f T = 0.001 f T = 0.3
d d

T T

0.69

0.68 0

−1

0.65
0 1 2 3 4 5 6 0 1 2 3 4 5 6
tel-00373806, version 1 - 7 Apr 2009

Fig. 2.1 – Gain complexe exact sur 6 symboles OFDM avec fd T = 0.001 et fd T = 0.3

Avant de présenter ces calculs de bornes, nous allons préalablement décrire l’approximation
polynomiale que nous avons développée pour modéliser les variations temporelles des gains com-
plexes à l’intérieur d’un symbole OFDM. L’idée du développement sur une base polynomiale
n’est bien sûr pas nouvelle, comme rappelé au chapitre précédent (P-BEM), mais ce développe-
ment, adapté selon notre démarche, sera très utile dans la thèse. D’abord, il nous permet dans
ce chapitre de mener le calcul de BCRB qui ne nous avait pas paru faisable directement (pour le
cas «variant»). Ensuite, il permettra de bien connaı̂tre les évolutions types du canal de Rayleigh,
pour répondre par exemple à la question : pour tel étalement Doppler, quel est le degré nécessaire
pour un polynôme représentant l’évolution du canal ? Enfin, il est sous-jacent des algorithmes
que nous avons développé dans la thèse : indirectement pour le chapitre III, et directement dans
le chapitre IV où l’algorithme consistera à estimer les coefficients des polynômes représentant
l’évolution des gains à l’intérieur d’un symbole OFDM.

2.2 Modélisation polynomiale de la variation temporelle des


gains complexes
Les équations d’observation, pour un système OFDM comprenant N sous-porteuses et un
préfixe cyclique de longueur Ng , sont données par (1.44) :

y(n) = H(n) x(n) + w(n)


(2.1)
 
L N −1
1 X  −j2π( m−1 − 1 )τl X (n) m−k
αl (qTs )ej2π N q 
 
H(n) k,m = e N 2
N
l=1 q=0

avec x(n) est le n-ème symbole OFDM transmis, y(n) est le n-ème symbole OFDM reçu, w(n) est
le bruit blanc complexe Gaussien centré de matrice de covariance σ 2 IN et H(n) est la matrice
du canal durant le n-ème symbole OFDM.
Étant donné que le nombre d’échantillons de gains complexes du canal de Rayleigh à estimer
durant un symbole OFDM Lv (v = N + Ng ) est supérieur au nombre d’équations d’observation
48 CHAPITRE 2. MODÉLISATION POLYNOMIALE ET BORNES DE CRAMÉR-RAO BAYESIENNE

N , il n’est pas efficace d’essayer d’estimer directement tous ces échantillons à partir du mo-
dèle d’observation ci-dessus. Nous avons plutôt intérêt à représenter les variations temporelles
des gains complexes à l’intérieur d’un symbole OFDM par un modèle plus compact. Plusieurs
modèles ont été utilisés pour représenter les variations du canal en fonction de temps [Sale 02]
[Tang 07] [Toma 05] [Yang 01]. Afin de trouver une modélisation simple, la figure 2.1 illustre
une réalisation de la partie réelle du gain complexe sur 6 symboles OFDM pour deux récepteurs,
à vitesse faible fd T = 0.001 et à vitesse élevée fd T = 0.3. On observe que, pour des faibles
vitesses, le canal est quasi-invariant dans un symbole OFDM. En revanche, pour des vitesses
élevées, le canal varie à l’intérieur d’un symbole OFDM et par exemple les variations temporelles
(fd T = 0.3) peuvent être modélisées par des variations polynomiales du second degré afin de
suivre la pente et la courbure.
Dans cette section, nous allons montrer que, quel que soit l’étalement Doppler fd T ≤ 0.5,
la variation temporelle (à l’intérieur d’un symbole OFDM) de chaque gain complexe de type
(n)  (n) (n) T
Rayleigh αl = αl (−Ng Ts ), ..., αl (N − 1)Ts peut être modélisée par un polynôme de
Nc ≤ 5 coefficients (i.e., de degré (Nc − 1) ), ou même inférieur si on admet une petite erreur.
(n)
tel-00373806, version 1 - 7 Apr 2009

On veut faire passer le plus près possible des v points donnés de αl une courbe polynomiale
(n)
de degré Nc − 1 imposé. Ainsi, pour q ∈ [−Ng , N − 1], αl (qTs ) peut être exprimé sous la forme :
c −1
NX
(n) (n) (n)
αl (qTs ) = cd+1,l q d + ξl [q] (2.2)
d=0

(n)  (n) (n) T (n)


où cl = c1,l , ..., cNc ,l sont les Nc coefficients du polynôme et ξl [q] est l’erreur du modèle.
En utilisant la méthode des moindres carrés (régression polynomiale) [cont], le polynôme
(n) (n)
optimal αpol et ses Nc coefficients cl sont donnés par (voir le calcul détaillé dans l’annexe
l
B) :
(n) (n) (n)
αpol = QT cl = Sαl (2.3)
l
(n) −1 (n)
cl = QQT Qαl (2.4)

où Q est une matrice de taille Nc × v dont les éléments sont définis par :

[Q]k,m = (m − Ng − 1)(k−1) (2.5)


−1
et S = QT QQT Q est une matrice de taille v × v. Parmi tous les polynômes possibles conte-
nant Nc coefficients, ce polynôme est celui qui fournit l’erreur quadratique moyenne minimale
(MMSE) dans l’approximation :

(0) 1  (0)

MMSEl = Tr MMSEl (2.6)
v
h iT
(p) (n) (n) (n) (n) (n)
où MMSEl est la matrice de corrélation de ξl = αl − αpol = ξl [−Ng ], ..., ξl [N − 1]
l
(le vecteur d’erreur du modèle), définie par
(n) (n−p) H
h i
(p)  (p)
= Iv − S Rαl Iv − ST

MMSEl = E ξl ξl (2.7)
 
(p) (n) (n−p) H (n)
où Rαl = E αl αl est la matrice de corrélation de αl de taille v × v. Comme αl (t)
est un processus complexe Gaussien à bande étroite, stationnaire au sens large (WSS), avec un
2.2. MODÉLISATION POLYNOMIALE DE LA VARIATION TEMPORELLE DES GAINS COMPLEXES 49

2 1.5
Gain Complexe Exact (partie réelle) Gain Complexe Exact (partie imaginaire)
Polynôme Optimal (Nc = 2) Polynôme Optimal (Nc = 2)

1.5
1

1
0.5

0.5

−0.5
−0.5

−1
−1

−1.5 −1.5
0 500 1000 1500 0 500 1000 1500

(a)
2 1.5
Gain Complexe Exact (partie réelle) Gain Complexe Exact (partie imaginaire)
tel-00373806, version 1 - 7 Apr 2009

Polynôme Optimal (N = 3) Polynôme Optimal (Nc = 3)


c

1.5
1

1
0.5

0.5

−0.5
−0.5

−1
−1

−1.5 −1.5
0 500 1000 1500 0 500 1000 1500

(b)

Fig. 2.2 – Gain complexe exact et son polynôme optimal avec fd T = 0.1, Nc = 2 (a) et 3 (b)
(p)
spectre de Jakes [Jake 83], les éléments de la matrice Rαl sont donnés par :
h i  
(p) 2
Rαl = σαl J0 2πfd Ts (k − m + pv) (2.8)
k,m

À titre d’exemple illustratif, la figure 2.2 présente une réalisation du gain complexe d’un
canal à un trajet et son modèle polynomial optimal sur 12 symboles OFDM avec fd T = 0.1,
Nc = 2 en (a) et Nc = 3 en (b). Il est bien clair qu’on a une bonne approximation polynomiale,
avec Nc = 3.
La figure 2.3 représente l’erreur quadratique moyenne minimale (MMSE), moyennée sur
tous les trajets d’un canal normalisé en puissance ( L=6 2 = 1), en fonction de l’étalement
P
σ
l=1 αl
Doppler fd T pour différentes valeurs de Nc . On remarque que, pour fd T ≤ 0.5 et Nc = 5, on a
(n)
MMSE < 4 · 10−7 . Cela prouve que, pour des valeurs élevées de fd T , αl peut être représenté
par un modèle polynomial de Nc ≤ 5 coefficients. On voit même qu’avec seulement Nc = 2 ou 3
coefficients (traduisant globalement la moyenne, la pente et la courbure), l’erreur de modélisation
reste faible et devrait être nullement gênante pour la mise au point d’algorithmes d’estimation
basés sur cette modélisation. En outre, pour fd T ≤ 0.001 et Nc = 1, on a MMSE < 4 · 10−7 .
Cela signifie que, pour des valeurs faibles de fd T , les gains complexes sont quasi-invariants à
50 CHAPITRE 2. MODÉLISATION POLYNOMIALE ET BORNES DE CRAMÉR-RAO BAYESIENNE

0
10

−5
10
MMSE

−10
10

Nc = 1
−15 N = 2
10 c
N = 3
c
N = 4
c
N = 5
−20 c
10
0.001 0.05 0.1 0.2 0.3 0.4 0.5
fdT
tel-00373806, version 1 - 7 Apr 2009

Fig. 2.3 – MMSE pour un canal normalisé de L = 6 trajets et v = 144 (N = 128, Ng = 16)

l’intérieur d’un symbole OFDM.


(n)
D’après (2.4), les coefficients cl sont des variables complexes Gaussiennes centrés et corrélés
de matrice de corrélation définie par :
(p) (n) (n−p) H −1 (p) −1
Rcl = E[cl cl ] = QQT QRαl QT QQT (2.9)
La figure 2.4 montre les variances (moyennées sur tous les trajets) des trois premiers coeffi-
cients (pour Nc = 5 coefficients) en fonction de fd T . On constate que la variance diminue très
rapidement d’un coefficient à l’autre. Cela signifie que les derniers coefficients sont très faibles.
Par conséquent, il est très difficile de trouver un estimateur qui peut donner une bonne estima-
tion des derniers coefficients en présence de bruit. Dans la section suivante, nous étudierons les
bornes de performances atteignables pour l’estimation de ces coefficients en fonction de Nc et
fd T .
Dans le cadre de cette régression polynomiale, le modèle d’observation (2.1) pour le n-ème
symbole OFDM peut être réécrit comme (voir le calcul détaillé dans l’annexe C) :
y(n) = K(n) c(n) + ǫ(n) + w(n) (2.10)
(n) T (n) T
avec c(n) = [c1 , ..., cL ]T est un vecteur de taille LNc × 1 et K(n) est une matrice de taille
N × LNc , qui dépend des retards des trajets et des symboles pilotes et de données contenu dans
le symbole OFDM courant. Elle est définie par :
1 (n) (n)
K(n) = [Z , ..., ZL ] (2.11)
N 1
(n)
où Zl est une matrice de taille N × Nc définie par :
(n)
Zl = [M1 diag{x(n) }fl , ..., MNc diag{x(n) }fl ] (2.12)
où fl est la l-ème colonne de la matrice de transformation de Fourier F de taille N × L définie
par (1.30) et Md est une matrice de taille N × N donnée par :
N −1
X m−k
[Md ]k,m = q d−1 ej2π N
q
(2.13)
q=0
2.3. BORNES DE CRAMÉR-RAO BAYESIENNE (BCRBS) 51

0
10

−5
10
Variances des Coefficients

−10
10

−15
10

er
1 coeffcient
2ème coeffcient
−20
3ème coeffcient
10
0.001 0.05 0.1 0.2 0.3 0.4 0.5
fdT
tel-00373806, version 1 - 7 Apr 2009

Fig. 2.4 – Variances moyennées des trois premiers coefficients pour un canal normalisé de L = 6
trajets et v = 144 (N = 128, Ng = 16)

La deuxième composante dans l’équation (2.10), ǫ(n) , représente l’erreur due à l’approximation
polynomiale dans le modèle d’observation. Elle est donnée par :

ǫ(n) = Hξ(n) x(n) (2.14)

où Hξ(n) est une matrice de taille N × N dont les éléments sont définis par :

L N −1
1 X h −j2π( m−1 − 1 )τl X (n) m−k
i
[Hξ(n) ]k,m = e N 2 ξl (qTs )ej2π N q (2.15)
N
l=1 q=0

Notons que si le degré du polynôme est bien choisi, l’erreur ǫ(n) pourrait être omise dans la
nouvelle équation d’observation (2.10). En fait nous l’omettrons pour la mise au point des algo-
rithmes (dernier chapitre), mais nous la conserverons pour le calcul des bornes de performances
afin de limiter les approximations.

Notons aussi que si les gains complexes sont invariants à l’intérieur d’un symbole OFDM,
(n) (n)  (n)
i, e., αl (−Ng Ts ) = ... = αl (N − 1)Ts = c1,l , alors la matrice du canal H(n) est diagonale,
(p)
Nc = 1, K(n) = diag{x(n) }F, Hξ(n) = 0N et Rcl = σα2 l J0 2πfd T p .


2.3 Bornes de Cramér-Rao Bayesienne (BCRBs)


2.3.1 Définition des BCRB «hors-ligne» et «en-ligne»
Dans cette section, nous présentons la famille des Bornes de Cramér-Rao (BCRs). Les BCRs
fournissent une borne inférieure sur l’erreur quadratique moyenne (EQM) de n’importe quel
estimateur sans biais. On donne l’expression générale de la Borne de Cramér-Rao Bayesienne
(BCRB) et sa version modifiée (BCRBM). La BCRB est particulièrement adaptée pour les
problèmes où le paramètre à estimer est supposé aléatoire avec la disponibilité de l’information
à priori. Soit ĉ(y) un estimateur sans biais de c à partir de l’ensemble des mesures y. Deux
52 CHAPITRE 2. MODÉLISATION POLYNOMIALE ET BORNES DE CRAMÉR-RAO BAYESIENNE

stratégies d’estimation pour c sont traditionnellement envisagées : la première est basée sur un
traitement «hors-ligne» alors que la seconde utilise un traitement «en-ligne». Dans un scénario
«hors-ligne», le récepteur attend l’acquisition d’un bloc complet de K observations, i.e., y =
[y(1) T , ..., y(K) T ]T , pour estimer c = [c(1) T , ..., c(K) T ]T . Dans un scénario «en-ligne», le récepteur
estime c(n) en utilisant seulement les échantillons précédemment acquis [y(1) T , ..., y(n−1) T ]T et
l’observation courante y(n) , i.e., y = [y(1) T , ..., y(n) T ]T . Dans la suite, la BCRB sera envisagée
dans le cadre des deux scénarios «hors-ligne» et «en-ligne». Van Trees a montré [Tree 68] que
tout estimateur ĉ(y) était borné par la BCRB de la manière suivante :
 
 H
Ey,c ĉ(y) − c ĉ(y) − c ≥ BCRB(c) (2.16)

La BCRB est l’inverse de la Matrice Bayesienne d’Information (MBI), notée ici B, qui peut être
écrite comme suit :

B = Ec Fi(c) + Ec − ∆cc ln p(c)


   
(2.17)
tel-00373806, version 1 - 7 Apr 2009

où p(c) est la probabilité à priori et Fi(c) est la Matrice d’Information de Fisher (MIF) définie
par :

Fi(c) = Ey|c − ∆cc ln p(y|c)


 
(2.18)

avec p(y|c) est la probabilité conditionnelle de y sachant c. ∆xy est l’opérateur de dérivée partielle
2
du second ordre, i.e., ∆xy k,m = ∂[y]∗∂∂[x]m [Seno 05]. Le premier terme de (2.17) peut être
 
k
interprété comme l’information fournie par les observations y moyennée par rapport à c et
le dernier terme comme l’information disponible fournie par la connaissance à priori de c. Ce
dernier terme tient compte de la dépendance en temps des coefficients à différents instants. Nous
rappelons que la Borne de Cramér-Rao Standard (BCRS) est directement l’inverse de la Matrice
d’Information de Fisher, i.e., l’information à priori n’est pas utilisée.
Malheureusement, dans la plupart des cas en contexte NDA, le calcul de Fi(c) est généralement
fastidieux. En effet, la probabilité p(y|c) ne peut pas être analytiquement calculée, à cause de
la présence de paramètres dits de nuisance x = [x(1) T , ..., x(K) T ]T , qui sont dans notre cas les
symboles OFDM. Les paramètres de nuisance sont des paramètres que l’on ne cherche pas à
estimer, mais qui interviennent pour l’estimation des paramètres désirés. Afin de contourner ce
problème, une BCRB Modifiée (BCRBM) a été proposée dans [Bobr 87]. Cette BCRBM est
l’inverse de la matrice d’information suivante :

C = Ec G(c) + Ec − ∆cc ln p(c)


   
(2.19)

avec G(c) est la Matrice d’Information de Fisher (MIF) modifiée définie par :

G(c) = Ex Ey|x,c − ∆cc ln p(y|x, c)


 
(2.20)

Notons que la BCRBM en contexte NDA est égale à la BCRB en contexte DA, i.e., lorsque les
paramètres de nuisance x sont à priori connus.
Notre objectif final est l’estimation des gains complexes de différents trajets α = [α(1) T , ..., α(K) T ]T ,
(n) T (n) T T
h i
avec α(n) = α1 , ..., αL .
À partir de (2.2), les gains à estimer α sont liés aux coefficients c par la relation suivante :

α = Qc + ξ (2.21)
2.3. BORNES DE CRAMÉR-RAO BAYESIENNE (BCRBS) 53

avec Q = blkdiag QT , ..., QT est une matrice de taille KLv × KLNc et ξ = [ξ(1)
T , ..., ξ T ]T où

(K)
(n) T (n) T T
h i
ξ(n) = ξ1 , ..., ξL . Et l’estimation de α est donnée par :

α̂ = Qĉ (2.22)

En négligeant les termes d’ inter-corrélation entre les erreurs αpol − α̂ et ξ, on peut écrire :
   
H H
+ E ξξ H
   
E α̂ − α α̂ − α = E α̂ − αpol α̂ − αpol (2.23)

avec αpol = Qc. Ainsi, en utilisant les propriétés de la transformation de paramètres définies
en [Kay 93], on peut à partir de la BCRB de c déduire la BCRB de α comme suit :

∇c αpol BCRB(c) ∇c αTpol + E ξξ H


   
BCRB(α) =
= Q BCRB(c) QT + MMSE (2.24)
tel-00373806, version 1 - 7 Apr 2009

avec ∇x est l’opérateur de dérivée partielle du premier ordre et MMSE est une matrice de taille
KLv × KLv donnée par :

(p−p′ )
MMSE[i(l,p),i(l,p′ )] = MMSEl pour l∈[1,L] p,p′ ∈[0,K−1] (2.25)

(p)
avec i(l, p) = 1 + (l − 1)v + pLv : lv + pLv est une séquence d’indices et MMSEl est la matrice
de corrélation de l’erreur du modèle ξl (n) définie par (2.7). Notons qu’il y a des matrices de zéros
(p)
entre les blocs MMSEl car les L différents gains complexes sont non corrélés. Par exemple,
pour K = L = 2, la matrice MMSE est donnée par :
 (0) (−1) 
MMSE1 0v MMSE1 0v
(0) (−1)
0v MMSE2 0v MMSE2
 
MMSE = 
 
(1) (0) 
 MMSE1 0v MMSE1 0v 
(1) (0)
0v MMSE2 0v MMSE2

où 0v est une matrice de zéros de taille v × v.


Le calcul de la BCRB «hors-ligne» associée à l’estimation de α(n) est donné [Bay 08b] par :
 
BCRB(α(n) )hors−ligne = Tr BCRB(α)[i(n),i(n)] (2.26)

avec i(n) = 1 + (n − 1)Lv : nLv la séquence des indices où n ∈ [1, K]. La BCRB «en-ligne»
associée au vecteur d’observation y = [y(1) T , ..., y(K) T ]T est donnée par :
 
BCRB(α(K) )en−ligne = Tr BCRB(α)[i(K),i(K)] (2.27)

Les définitions dans (2.24), (2.26) et (2.27) seront utilisées de la même façon pour les variantes
de BCRB, i.e., BCRBM et BCRBA.
Finalement, on peut résumer que l’on passera par le calcul de la BCRB des coefficients des
polynômes BCRB(c) afin d’avoir la BCRB des gains complexes BCRB(α).
54 CHAPITRE 2. MODÉLISATION POLYNOMIALE ET BORNES DE CRAMÉR-RAO BAYESIENNE

2.3.2 BCRB pour l’estimation des coefficients c et des gains α


Dans cette section, on propose deux expressions de bornes très proches de la BCRB d’esti-
mation des coefficients des polynômes c(n) des gains complexes pour un système OFDM sans
connaissance des données (NDA). Ces bornes sont calculées pour des gains complexes «variants»
et «invariants» dans le temps à l’intérieur d’un symbole OFDM. Le deuxième cas donnera des
expressions plus simples et suffisantes pour des variations lentes du canal à l’échelle d’un temps
symbole, ce qui reste la situation souhaitable (en tout cas favorable) en OFDM. Pour le contexte
de DA, on déduira le calcul de la vraie BCRB à partir du calcul de la BCRBM obtenue en
contexte NDA.

2.3.2.1 Gains complexes «variants» durant un symbole OFDM


a) Contexte NDA
 
• Calcul de Ec Fi(c) :
Le modèle d’observation d’un système OFDM est donné par (2.1). En utilisant le fait que le
tel-00373806, version 1 - 7 Apr 2009

bruit w = [w(1) T , ..., w(K) T ]T est blanc et les symboles OFDM transmis x sont indépendants,
on peut écrire :
K
X
∆cc ∆cc ln p(y(n) |c(n) )
 
ln p(y|c) = (2.28)
n=1

Il est important de noter que chaque terme de la sommation dans (2.28) est une matrice diagonale
par blocs de taille KLNc ×KLNc dont un seul bloc est une matrice non nulle de taille LNc ×LNc
donnée par :
c
∆cc ln p(y(n) |c(n) ) [i′ (n),i′ (n)] = ∆c(n)
 
(n)
ln p(y(n) |c(n) ) (2.29)

avec i′ (n) = 1+(n−1)LN c : nLNc est une séquence d’indices où n ∈ [1, K]. Comme conséquence
c
directe, ∆c ln p(y|c) est une matrice diagonale par blocs dont le n-ème bloc de la diagonale
est donné par (2.29). En outre, en raison de la circularité du bruit d’observation, l’espérance de
(2.29) par rapport à y(n) et c(n) ne dépend pas de c(n) . On obtient donc :
 
Ec Fi(c) = blkdiag {J, J, ..., J} (2.30)

où J est une matrice de taille LNc × LNc définie par :


 c(n) 
J = Ey,c − ∆c(n) ln p(y(n) |c(n) ) (2.31)

En utilisant le théorème des probabilités totales, le logarithme de la fonction de vraisemblance


(log-likelihood) dans (2.31) peut s’exprimer sous la forme :
 X 
ln p(y(n) |c(n) ) = ln p(y(n) |x(n) , c(n) )p(x(n) ) (2.32)
x(n)

Afin de simplifier le calcul de p(y(n) |x(n) , c(n) ), nous supposons 2 que le vecteur ξ(n) sachant c(n)
reste un vecteur complexe Gaussien centré. Ainsi, le vecteur y(n) sachant x(n) et c(n) est complexe
Gaussien de vecteur moyenne m(n) = K(n) c(n) et de matrice de covariance Ω = R + σ 2 IN où
2
approximation valide en supposant l’erreur de modélisation ǫ(n) indépendante du terme utile K(n) dans (2.10).
2.3. BORNES DE CRAMÉR-RAO BAYESIENNE (BCRBS) 55

R est une matrice de corrélation de ǫ(n) de taille N × N donnée par (voir le calcul détaillé dans
l’annexe D) :
h i β
R = Eξ(n) ,x(n) ǫ(n) ǫH Λ diag diag {Γ} ΛH

(n) = (2.33)
N
où β = L 2
P
l=1 σαl est la puissance totale du canal, Λ et Γ sont deux matrices de tailles N × N
définies par :
k
[Λ]k,m = e−j2π N (m−1) (2.34)
1 (0)
Γ = MMSEl [Ng +1:v,Ng +1:v] (2.35)
σα2 l

Ainsi, p(y(n) |x(n) , c(n) ) est définie comme suit :

1 −(y(n) −m(n) )H Ω−1 (y(n) −m(n) )


p(y(n) |x(n) , c(n) ) = e (2.36)
|πΩ|
tel-00373806, version 1 - 7 Apr 2009

Étant donné que chaque élément du vecteur m(n) dépend de toutes les composantes de x(n) , le
calcul de J est une tâche très complexe. Par conséquent, on se contente de calculer la BCRBM.
En suivant le même raisonnement que précédemment, on obtient :
 
Ec G(c) = blkdiag {Jm , Jm , ..., Jm } (2.37)

où Jm est une matrice de taille LNc × LNc définie par :


 c(n) 
Jm = Ey,x,c − ∆c(n) ln p(y(n) |x(n) , c(n) ) (2.38)

En faisant la dérivée seconde du logarithme naturel ou népérien (ln) de l’équation (2.36) par
rapport à c(n) , on obtient simplement :
c −1
∆c(n) ln p(y(n) |x(n) , c(n) ) = −KH

(n) (n) Ω K(n) (2.39)

Par conséquent, on obtient (voir le calcul détaillé dans l’annexe E) :


h
−1
i 1 H
Jm = Ex KH
(n) Ω K (n) = F MF (2.40)
N2
avec M et F deux matrices de tailles respectives N Nc × N Nc et N Nc × LNc , définies par :
 
M1,1 · · · M1,Nc
M = 
 .. .. .. 
(2.41)
. . . 
MNc ,1 · · · MNc ,Nc
 
F = F1 · · · FL (2.42)

où Md,d′ et F l sont deux matrices de tailles respectives N × N et N Nc × Nc , définies par :


−1
= diag diag MH
 
Md,d′ d Ω Md′ (2.43)
F l = blkdiag {fl , fl , ..., fl } (2.44)

• Calcul de Ec − ∆cc ln p(c) :


 
56 CHAPITRE 2. MODÉLISATION POLYNOMIALE ET BORNES DE CRAMÉR-RAO BAYESIENNE

c est un vecteur complexe Gaussien centré de matrice de covariance Rc de taille KLNc ×


KLNc définie par :
(p−p′ )
Rc [i′ (l,p),i′ (l,p′ )] = Rcl pour l∈[1,L] p,p′ ∈[0,K−1] (2.45)
(p)
où i′ (l, p) = 1 + (l − 1)Nc + pLNc : lNc + pLNc , et Rcl est la matrice de corrélation de cl (n)
définie par (2.9). Ainsi, la densité de probabilité p(c) est définie par :
1 H −1
p(c) = e−c Rc c (2.46)
|πRc |
En faisant la dérivée seconde du logarithme naturel ou népérien (ln) de l’équation (2.46) par
rapport à c et en effectuant l’espérance (moyenne) sur c, on obtient simplement :
Ec − ∆cc ln p(c) = R−1
 
c (2.47)
La BCRBM pour l’estimation des coefficients des polynômes c dans le contexte NDA est
ainsi donnée par :
tel-00373806, version 1 - 7 Apr 2009

 −1
BCRBM(c) = blkdiag {Jm , Jm , ..., Jm } + R−1
c (2.48)

Notons que la BCRBM est généralement plus faible que la BCRB. Comme dans (2.24), la
BCRBM pour l’estimation de α est finalement donnée par :
BCRBM(α) = Q BCRBM(c) QT + MMSE (2.49)

b) Contexte DA

Dans le contexte DA, les symboles de données transmis x(n) sont connus au récepteur et donc
un moyennage sur les données n’est pas nécessaire. Ainsi, la matrice J est calculée comme Jm
mais sans faire une moyenne sur les symboles de données x(n) et, par conséquent, cette matrice
dépend du n-ème symbole OFDM transmis. D’où, J(n) est donnée par :
−1 1 H
J(n) = KH
(n) Ω(n) K(n) = F M F (2.50)
N 2 (n) (n) (n)
avec Ω(n) = R(n) + σ 2 IN où la matrice R(n) est donnée par (voir le calcul détaillé dans l’annexe
D) :
h i 1  
R(n) = Eξ(n) ǫ(n) ǫH (n) = Λ Γ • Z (n) ΛH (2.51)
N2
où • est l’opérateur de produit élément-par-élément et Z (n) est une matrice de taille N × N
donnée par :
Z (n) = ΛH diag{x(n) }F D FH diag{xH (n) }Λ (2.52)

avec D = diag σα1 , ..., σα2 L . La matrice M(n) est calculée comme la matrice M mais en
 2

remplaçant Ω dans l’équation (2.43) par Ω(n) . La matrice F (n) est calculée comme la matrice
F mais en remplaçant fl dans l’équation (2.44) par diag{x(n) }fl .
La BCRB pour l’estimation de c dans le contexte DA est donnée par :
 −1
BCRB(c) = blkdiag J(1) , J(2) , ..., J(K) + R−1

c (2.53)

et par conséquent la BCRB pour l’estimation de α est obtenue comme (2.24). Il est important
de noter que la BCRB pour l’estimation de α dans le contexte DA dépend de la séquence des
données transmise x.
2.3. BORNES DE CRAMÉR-RAO BAYESIENNE (BCRBS) 57

2.3.2.2 Gains complexes «invariants» durant un symbole OFDM


Dans cette section, nous proposons une expression des BCRB et BCRBM pour l’estimation
des gains complexes «invariants» dans le temps à l’intérieur d’un symbole OFDM en contexte
NDA. Cette borne aura un intérêt pratique pour les canaux à variation temporelle lente. En
outre, la mise en oeuvre pratique du calcul de la BCRB est décrite. Les approximations à
faible et fort Rapports Signal à Bruit (RSB) de la BCRB sont également établies, offrant une
alternative intéressante à l’évaluation de la BCRB.
Dans ce cas d’étude, il n’y a plus besoin de la modélisation polynomiale puisque le gain est
constant à l’intérieur d’un symbole OFDM. On peut donc simplifier les résultats précédents avec
(p) (p)
Nc = 1, et donc α = c. On peut ainsi écrire : K(n) = diag{x(n) }F, Rcl = σα2 l J0 2πfd T p = Rcl ,


Ω = σ 2 IN et BCRB(α) = BCRB(c). En remplaçant ces résultats en (2.39) et (2.40), on


obtient :
1 H
Jm = F F (2.54)
σ2
tel-00373806, version 1 - 7 Apr 2009

et en conséquence BCRBM(α) comme en (2.48).


Dans ce cas, chaque élément du vecteur m(n) = diag{x(n) }Fc(n) dépend d’un seul élément
de x(n) , alors le calcul de J est possible. Il est important de noter que, dans le contexte de NDA,
la BCRB dépend du type de modulation des symboles OFDM. Par conséquent, on évalue dans
la suite J pour des symboles OFDM avec une modulation de type 4-QAM. En utilisant le fait
que le bruit est Gaussien et que les symboles 4-QAM normalisés (i.e., E [x(n) ]k [x(n) ]∗k = 1) sont
 

équiprobables, on obtient (voir le calcul détaillé dans l’annexe F) :


ln p(y(n) |c(n) ) =

  Y
N  √2  √2  (2.55)
1 − 1 yH y +cH FH Fc(n)  
ln |πσ 2 IN |
e σ2 (n) (n) (n) cosh Re an (k) cosh Im an (k)
σ2 σ2
k=1


où an (k) = [y(n) ]k gTk c(n) et gTk est le k-ème ligne de la matrice F. Le résultat de la dérivée seconde
de l’équation (2.55) par rapport à c(n) est donné par (voir le calcul détaillé dans l’annexe F) :
c(n)
ln p(y(n) |c(n) ) = − σ12 FH F

∆c(n)

XN 
1 ∗ ∗ T
  √2   √2 
 (2.56)
2 2
+ [y ]k [y(n) ]k gk gk 2 − tanh Re an (k) − tanh Im an (k)
2σ 4 (n) σ2 σ2
k=1

Malheureusement, dans le cas général, l’espérance de l’équation (2.56) par rapport à y(n) |c(n)
n’admet pas de solution analytique évidente. Par conséquent, dans la pratique, on doit recourir
à des méthodes d’intégration numérique ou à certaines approximations. Des résultats de simu-
lation Monte-Carlo seront présentées dans la partie “simulation et discussion”. Dans la suite, les
propriétés asymptotiques de l’expression analytique de la BCRB sont étudiées, dans les cas de
faibles et forts Rapports Signal à Bruit (RSB).
• Asymptote à fort RSB :
On étudie maintenant le comportement de la BCRB à fort RSB. De la définition de la MBI
(2.17), seulement le premier terme dépend du RSB, qui est entièrement caractérisé par J. On
58 CHAPITRE 2. MODÉLISATION POLYNOMIALE ET BORNES DE CRAMÉR-RAO BAYESIENNE

se concentre donc sur le comportement de J. À fort RSB (i.e., σ 2 → 0), la fonction tanh(.)
intervenant dans (2.56) peut être approximée par :
 √2 
tanh x ≈ sgn(x) (2.57)
σ2
D’ou, en utilisant cette approximation dans l’équation (2.56), on obtient l’asymptote à fort RSB
de J qui est donnée par :
1 H
Jh = F F (2.58)
σ2
Il est intéressant de remarquer que Jh = Jm et en conséquence l’asymptote à fort RSB de BCRB
est égale à la BCRBM.
• Asymptote à faible RSB :
On considère maintenant l’asymptote à faible RSB de la BCRB dans le contexte NDA avec
des symboles normalisés de type 4-QAM. En suivant le même raisonnement que précédemment,
à faible RSB (i.e., σ 2 → +∞), on a tanh(x) ≈ x autour de x = 0 (développement de Taylor à
tel-00373806, version 1 - 7 Apr 2009

l’ordre un de tanh(x)). D’où, l’équation (2.56) devient :


N  
c(n)  1 H X 1 ∗ ∗ T

4 ∗
∆c(n) ln p(y(n) |c(n) ) ≈ − 2 F F + [y ]k [y(n) ]k gk gk σ − an (k)an (k) (2.59)
σ σ 8 (n)
k=1

En insérant ce résultat (2.59) dans l’équation (2.31), on obtient l’asymptote à faible RSB de J,
qui est donnée par (voir le calcul détaillé dans l’annexe G) :
β 8β 2 6β 3  H
Jl = + + 8 F F (2.60)
σ4 σ6 σ
où β = L 2
P
l=1 σαl est la puissance totale du canal.
La BCRB Asymptotique (BCRBA) définie dans [Bay 08b] pour un problème d’estimation
de phase en modulation mono-porteuse consiste à rassembler les résultats des 2 asymptotes. Elle
doit conduire à une borne inférieure sur l’erreur quadratique moyenne (EQM). Dans notre cas,
cette BCRBA est donnée par :
 −1
BCRBA(c) = blkdiag {Jmin , ..., Jmin } + R−1
c (2.61)
avec Jmin est défini par :
Jmin = min(vl , vh )FH F (2.62)
où vl et vh sont donnés par :
β 8β 2 6β 3
vl = + + 8 (2.63)
σ4 σ6 σ
1
vh = (2.64)
σ2
Dans l’annexe H, on montre qu’on a bien :
BCRBM(c) ≤ BCRBA(c) ≤ BCRB(c) (2.65)
Ceci corrobore le résultat obtenu dans [Bay 08b] pour une estimation de phase.
1 H
On remarque que le terme KH −1
(n) Ω K(n) = σ 2 F F est indépendant de la séquence de données
transmises x. D’ou, la MIF définie par (2.18) et la (MIF) modifiée définie par (2.20) sont égales.
Ainsi, dans le cas des gains complexes «invariants» à l’intérieur d’un symbole OFDM, la vraie
BCRB en contexte DA est égale à la BCRBM en contexte NDA.
2.3. BORNES DE CRAMÉR-RAO BAYESIENNE (BCRBS) 59

2.3.3 Simulation et discussion

Dans cette section, on met en évidence le comportement des bornes précédentes, les BCRBs,
les BCRBMs et les BCRBAs pour les deux scénarios «en-ligne» et «hors-ligne» relatifs à l’es-
timation des gains complexes. On présente les résultats avec un système OFDM normalisé à
modulation 4-QAM tel que N = 128 sous-porteuses et Ng = N8 échantillons de garde. Notons
Eb
que RSB = σ12 et (RSB)dB = ( N 0
)dB +3dB. Le canal normalisé est de type Rayleigh avec L = 6
trajets dont les paramètres sont résumés dans le tableau 1.1. On considère les deux cas pour
les variations temporelles du canal : gain complexe «invariant» durant un symbole OFDM avec
Nc = 1 et 10−5 ≤ fd T ≤ 5.10−3 , et gain complexe «variant» dans durant un symbole OFDM
avec 2 ≤ Nc ≤ 5 et 0.05 ≤ fd T ≤ 0.5. Notons de nouveau que la BCRB en contexte DA est
équivalente à la BCRBM en contexte NDA. Dans le cas «variant» et en contexte DA, les BCRBs
sont calculées avec des séquences de données transmises générées par un générateur de séquences
tel-00373806, version 1 - 7 Apr 2009

à longueur maximale (”Maximal-Length Sequences” : MLS) [Pete 95] de 13 registres à décalage


avec une boucle de réaction de polynôme caractéristique [20033]8 (représentation octale).

2.3.3.1 Gains complexes «invariants» durant un symbole OFDM

−2
10
BCRBA en−ligne
BCRBA hors−ligne K=5
BCRBA hors−ligne K=10
BCRBA hors−ligne K=15
BCRBA hors−ligne K=20
BCRBA hors−ligne K=30
−3
10
EQM

K=5

K=10
K=15 K=20
K=30
−4
10

−5
10
5 10 15 20 25 30
Longueur du bloc d’observation K

Fig. 2.5 – BCRB en fonction du nombre d’observations K pour RSB = 10dB, fd T = 10−3 et
Nc = 1
60 CHAPITRE 2. MODÉLISATION POLYNOMIALE ET BORNES DE CRAMÉR-RAO BAYESIENNE

0
10

−1
10

−2
10
EQM

−3
10

BCRBM en−ligne K=20


BCRBA en−ligne K=20
−4
10 BCRB en−ligne K=20 (Monte Carlo)
BCRBM en−ligne K=1
BCRBA en−ligne K=1
−5
BCRB en−ligne K=1 (Monte Carlo)
10
−25 −20 −15 −10 −5 0 5 10 15 20
RSB
tel-00373806, version 1 - 7 Apr 2009

Fig. 2.7 – BCRB en fonction du RSB pour fd T = 10−3 et deux différentes longueurs d’observa-
tions K = 1 et K = 20

2
10

0
10

−2
10
EQM

−4
10

−6
10

BCRSM
−8 BCRBM en−ligne K=20
10 BCRBA en−ligne K=20
BCRBA hors−ligne pour n=10 et K=20
BCRB en−ligne K=20 (Monte Carlo)
−10
BCRB hors−ligne pour n=10 et K=20 (Monte Carlo)
10
−30 −20 −10 0 10 20 30 40 50 60
RSB

Fig. 2.6 – BCRS et BCRB en fonction du RSB pour fd T = 10−3 et Nc = 1 (J est évalué sur
104 symboles OFDM par tirages Monte-Carlo)

Sur la figure 2.5 sont représentées en fonction de l’indice temporel, la BCRBA «en-ligne» et
la BCRBA «hors-ligne» pour plusieurs longueurs de bloc d’observations K avec fd T = 10−3 ,
Nc = 1 et RSB = 10dB. Dans un contexte «hors-ligne», les meilleures performances atteignables
pour l’estimation des gains complexes se situent en milieu de bloc, tandis que l’estimation est
susceptible d’être la plus mauvaise à la frontière du bloc. Cela provient du fait que, dans la
position centrale du vecteur des gains complexes α, l’estimateur tire parti de façon égale des
demi-blocs d’observations précédant et suivant. Concernant maintenant l’estimation «en-ligne»,
au début du processus et lorsque le nombre d’observation augmente, l’estimateur prend en
compte de plus en plus d’information et de ce fait l’estimation s’améliore. Ainsi la borne décroı̂t-
elle et converge vers une asymptote. Les performances de cette stratégie d’estimation se trouvent
donc limitées par le bruit d’observation, indépendamment du nombre d’observation.
2.3. BORNES DE CRAMÉR-RAO BAYESIENNE (BCRBS) 61

2
10
BCRSM
BCRBA en−ligne K=1
BCRBA en−ligne K=5
0
10 BCRBA en−ligne K=20
BCRBA en−ligne K=60

−2
10
EQM

−4
10

−6
10

−8
10
−20 0 20 10 20 30 40
RSB
tel-00373806, version 1 - 7 Apr 2009

Fig. 2.8 – BCRBA en fonction de RSB pour fd T = 10−4 et différents valeurs de K

On va maintenant analyser le comportement de la borne en fonction du RSB sur un bloc


d’observations de longueur K = 20 avec fd T = 10−3 . La figure 2.6 représente la BCRB, la
BCRBA, la BCRBM et la BCRSM ( BCRSM est l’inverse de la matrice Jm , i.e.,l’information à
priori n’est pas utilisée) obtenues d’une part pour n = K = 20 dans le cas «en-ligne» et pour une
estimation en milieu de bloc (n = 10) dans le cas «hors-ligne». Pour la BCRB, J est évalué grâce
à 104 symboles OFDM obtenues par tirages Monte-Carlo. Notons que la BCRBA et la BCRBM
sont inférieures à la BCRSM (standard modifiée) qui ne prend pas en compte l’information à
priori sur les gains complexes. On a également vérifié que BCRBM ≤ BCRBA ≤ BCRB,
conformément à l’étude théorique. Cela veut dire que la BCRBA, bien plus simple à calculer,
fournit une bonne approximation de la BCRB dans son domaine de validité. Notons enfin que la
BCRB «hors-ligne» est généralement inférieure à la BCRB «en-ligne». Dans le cas d’un faible
RSB, la borne «en-ligne» et la borne «hors-ligne» coı̈ncident car le bruit d’observation masque
l’évolution dynamique à priori des gains complexes. En revanche, lorsque le RSB augmente,
la borne «hors-ligne» décroı̂t plus vite que la borne «en-ligne» car l’information fournie par
l’observation courante est suffisamment précise et devient prépondérante sur la connaissance à
priori de α. Dans le cas d’un fort RSB, les bornes BCRBM et BCRBA sont très proches comme
prévu par notre analyse théorique.
La figure 2.7 est un zoom de la figure 2.6 pour un bloc de taille K = 20. Elle montre
également les BCRBs pour un bloc d’observations de longueur K = 1, i.e., lorsque l’estimateur
utilise uniquement le symbole d’observation courant au lieu d’utiliser le symbole courant et les
symboles passés. Premièrement, en comparant les BCRBMs avec les BCRBs, on peut mesurer
l’amélioration potentielle de l’estimation pour le contexte DA (BCRBM) par rapport au contexte
NDA (BCRB). Deuxièmement, en comparant les bornes obtenues avec K = 20 et K = 1, on
peut mesurer l’amélioration potentielle importante en utilisant les informations passées.
La figure 2.8 insiste sur ce dernier point en montrant la BCRBA en fonction du RSB pour
fd T = 10−4 et différentes longueurs d’observations K = 1, 5, 20 et 60. On remarque que l’esti-
mation peut être largement améliorée lorsque K augmente, car l’estimateur prend en compte
davantage d’informations passées. Il est alors intéressant d’avoir une idée de la longueur d’ob-
servations minimale nécessaire pour espérer les meilleures performances, ce qui est l’objectif de
la figure 2.9.
62 CHAPITRE 2. MODÉLISATION POLYNOMIALE ET BORNES DE CRAMÉR-RAO BAYESIENNE

−3
10
EQM

−4
10

BCRSM
−3
BCRBA en−ligne fdT = 5*10
BCRBA en−ligne f T = 10−3
d
BCRBA en−ligne fdT = 10−4
BCRBA en−ligne fdT = 10−5
−5
10
10 20 30 40 50 60 70 80
Longueur du bloc d’observation K
tel-00373806, version 1 - 7 Apr 2009

Fig. 2.9 – BCRB en fonction de K pour RSB = 10dB et différentes valeurs de fd T


−2
10
BCRBM en−ligne
BCRBM hors−ligne K=3
BCRBM hors−ligne K=10
BCRBM hors−ligne K=15
BCRBM hors−ligne K=20
BCRBM hors−ligne K=30

K=3
K=10 K=15 K=20 K=30
EQM

−3
10

−4
10
5 10 15 20 25 30
Longueur du bloc d’observation K

Fig. 2.10 – BCRB en fonction du nombre d’observations K pour RSB = 10dB, fd T = 0.1 et
Nc = 2

La figure 2.9 présente la BCRBA «en-ligne» en fonction de l’indice temporel K pour RSB =
10dB et différentes valeurs de fd T . Lorsque le nombre d’observations K augmente, l’estimation
peut être considérablement améliorée car l’estimateur prend également en compte les informa-
tions précédentes. La borne décroı̂t donc et converge vers une asymptote. Notons enfin que le
gain d’estimation, due à l’utilisation des symboles précédents, est naturellement plus important
pour des canaux à faibles variations (faible fd T ).

2.3.3.2 Gains complexes «variants» durant un symbole OFDM


La figure 2.10 représente les BCRBM «en-ligne» et«hors-ligne» en fonction de l’indice tempo-
rel, pour plusieurs longueurs de bloc d’observations K avec fd T = 0.1, Nc = 2 et RSB = 10dB.
Concernant le contexte «hors-ligne», on remarque de manière générale qu’on a le même type
de résultats que dans le cas des gains complexes invariants durant un symbole OFDM. C’est à
2.3. BORNES DE CRAMÉR-RAO BAYESIENNE (BCRBS) 63

2
10
BCRS
BCRB en−ligne K=20
1
10 BCRB hors−ligne pour n=10 et K=20
BCRB K=1
0
10

−1
10
EQM

−2
10

−3
10

−4
10

−5
10
−30 −20 −10 0 10 20 30 40
RSB
tel-00373806, version 1 - 7 Apr 2009

Fig. 2.11 – BCRS et BCRB en fonction du RSB pour fd T = 0.1 et Nc = 2

−4
x 10
BCRB en−ligne K=10 (DA)
BCRB hors−ligne pour n=5 et K=10 (DA)
4.5
BCRBM en−ligne K=10 (NDA)
BCRBM hors−ligne pour n=5 et K=10 (NDA)
4

3.5
EQM

2.5

1.5

20 25 30 35 40 45 50
RSB

Fig. 2.12 – BCRS et BCRB en fonction du RSB pour fd T = 0.4 et Nc = 3

dire que les meilleures performances d’estimation des gains complexes sont atteintes en milieu de
bloc, tandis que l’estimation à la frontière du bloc est la plus mauvaise. De même dans le contexte
«en-ligne», lorsque le nombre d’observation augmente, l’estimateur prend en compte plus d’infor-
mations et de ce fait l’estimation peut être améliorée. Ainsi la borne décroı̂t et converge vers une
asymptote, due au bruit d’observation. Cependant, afin d’atteindre l’asymptote, il suffit d’utili-
ser seulement les 3 symboles OFDM précédents pour un canal à grande variation (fd T = 0.1),
alors que 10 symboles OFDM précédents étaient nécessaires pour un canal à faible variation
(fd T = 0.001).
On présente maintenant, sur la figure 2.11, la BCRB (DA) en fonction du RSB pour des blocs
d’observations de longueur K = 10 et K = 1, avec fd T = 0.1 et Nc = 2. Notons que la borne
Bayesienne BCRB est inférieure à la borne standard BCRS car l’information à priori sur la loi
des coefficients des polynômes est prise en compte dans la première. En comparant les bornes
obtenues avec K = 20 et K = 1, on peut mesurer le gain potentiel important obtenu en utilisant
64 CHAPITRE 2. MODÉLISATION POLYNOMIALE ET BORNES DE CRAMÉR-RAO BAYESIENNE

0
10
BCRB en−line K=10 (séquence MLS de 13 registres)
BCRB en−ligne K=10 (séquence de période ∞)
BCRB en−ligne K=10 (séquence de période K/8)
−1
10 BCRB en−ligne K=10 (séquence de période K/16)

−2
10
EQM

−3
10

−4
10

−5
10
−20 −10 0 10 20 30 40 50
RSB
tel-00373806, version 1 - 7 Apr 2009

Fig. 2.13 – BCRB en fonction du RSB pour fd T = 0.3 et Nc = 3


XX
XX XXRSB(dB) 0 22 29 38 40
XXX
fd T XX

0.05 Nc = 2 Nc = 2 Nc = 2 Nc = 2

0.1 Nc = 3 Nc = 3 Nc = 3 Nc = 3

0.2 Nc = 3 Nc = 3 Nc = 3 Nc = 4

0.3 Nc = 3 Nc = 3 Nc = 4 Nc = 4

0.4 Nc = 3 Nc = 4 Nc = 4 Nc = 4

Tab. 2.1 – Le minimum de la BCRB(α) pour un canal GSM défini par le tableau 1.1

les informations passées. Notons encore que la BCRB «hors-ligne» est généralement inférieure
à la BCRB «en-ligne», et qu’elles coı̈ncident dans le cas d’un faible RSB. Cependant, lorsque
le RSB augmente, la borne «hors-ligne» diminue plus que la borne «en-ligne» car l’information
fournie par l’observation courante y(n) devient plus précise et prépondérante sur la connaissance
à priori de c.
Pour des gains complexes «variants» durant un symbole OFDM et un contexte NDA, on
ne peut pas évaluer la vraie BCRB même par tirages Monte-Carlo. Ainsi, on peut seulement
comparer une borne inférieure à la BCRB en contexte NDA, la BCRBM, à la vraie BCRB en
contexte DA comme illustré sur la figure 2.12. On peut donc tout de même mesurer le potentiel
d’amélioration des performances pour le contexte DA (BCRB) par rapport au contexte NDA
(BCRBM).
On va maintenant étudier le comportement de la BCRB en contexte DA pour différentes
séquences de données. La figure 2.13 donne la BCRB (DA) en fonction du RSB pour fd T = 0.3
et Nc = 3. On peut observer qu’il y a de mauvaises séquences (période ∞, i.e., tous les bits
sont égaux) et de bonnes séquences (MLS avec 13 registres à décalage). On a constaté par
expérimentation que les séquences avec de bonnes fonctions d’autocorrélations déterministes
2.3. BORNES DE CRAMÉR-RAO BAYESIENNE (BCRBS) 65

−1
10

−2
10

−3
10
EQM

−4
10

BCRB en−ligne K=10, N =2


c
−5
10 BCRB en−ligne K=10, N =3
c
BCRB en−ligne K=10, N =4
c
BCRB en−ligne K=10, N =5
−6 c
10
0 10 20 30 40 50
RSB
tel-00373806, version 1 - 7 Apr 2009

(a)
−2
10
BCRB en−ligne K=10
BCRB hors−ligne pour n=5 et K=10

RSB=15dB

−3
10
EQM

RSB=25dB

−4
10
RSB=35dB

−5
10
2 3 4 5
Nc

(b)

Fig. 2.14 – (a) BCRB en fonction de RSB pour fd T = 0.5 et Nc = 2 à 5 ; (b) BCRB en fonction
de Nc pour fd T = 0.5 et RSB = 15dB, 25dB et 35dB

(i.e, proche d’un Dirac, comme par exemple les séquences de type MLS) amènent à de bonnes
performances. Dans ce cas, les bornes sont très similaires. C’est pourquoi on ne donne seulement
qu’un exemple de ces séquences (séquence MLS de 13 registres à décalage). Cependant, si on
utilise des séquences avec de mauvaises fonctions d’autocorrélations déterministes, comme par
exemple les séquences de Walsh-Hadamard (de période K/8 : bit = ′ 0′ durant K.T/16 et
bit = ′ 1′ durant K.T/16), alors les performances sont dégradées, comme on le voit sur cette
figure.
On va maintenant étudier le comportement de la borne en fonction de Nc et du RSB sur
un bloc d’observations de longueur K = 10. La figure 2.14 donne la BCRBM, pour un fort
étalement Doppler fd T = 0.5, en fonction du RSB en (a) et de Nc en (b). On observe d’après (a)
que, selon la valeur du RSB, la borne ne décroı̂t pas toujours en fonction de Nc . En plus, à fort
RSB, la borne converge vers une asymptote qui est l’erreur du modèle MMSE (voir l’équation
66 CHAPITRE 2. MODÉLISATION POLYNOMIALE ET BORNES DE CRAMÉR-RAO BAYESIENNE

(2.49)). Comme montré en (b), pour RSB = 15dB, 25dB et 35dB, le minimum de la borne
est obtenu respectivement en utilisant un polynôme de Nc = 3, 4 et 5 coefficients. Cela est dû
aux derniers coefficients qui seront mal estimés en présence de bruit. En effet, nous avions vu
dans la figure 2.4 qu’ils étaient négligeables par rapport au niveau de bruit. Par conséquent,
afin d’avoir une bonne estimation des variations temporelles des gains complexes en passant
par une approximation polynomiale, on peut optimiser le nombre de coefficients du polynôme
en fonction du RSB et de fd T . Cette optimisation donne le meilleur compromis pour limiter
les contributions de l’erreur de modélisation et du bruit d’observation. Le tableau 2.1 montre
comment choisir Nc , pour des valeurs réalistes du RSB et différentes valeurs de fd T , afin que
la borne soit minimale. Par exemple si fd T = 0.3, on choisit respectivement Nc = 3 et 4
pour RSB ∈ [0; 29] et RSB ∈ [29; 40]. On peut par conséquent introduire une nouvelle BCRB
(NBCRB), qui est indépendante de Nc , définie comme suit :
 
NBCRB(α) = min BCRB(α) (2.66)
Nc
tel-00373806, version 1 - 7 Apr 2009

avec min(·) est le minimum par rapport à Nc .


Nc
Cette borne représente les meilleures performances que l’on peut espérer obtenir pour estimer
les gains complexes d’un processus de Rayleigh en passant par une approximation polynomiale
3.

Cette définition donnée par (2.66) sera utilisée de la même façon pour la BCRBA et la
BCRBM sans connaissance des symboles OFDM (NDA).
On analyse maintenant le comportement de la borne en fonction de fd T . La figure 2.15 donne
la NBCRB (gain complexe «variant» et «invariant» à l’intérieur d’un symbole OFDM) en-ligne
et hors-ligne en fonction de fd T pour un RSB = 20dB et un bloc d’observation de longueur
K = 10. On remarque que la borne augmente en termes de fd T . Ceci est bien sûr naturel
puisque la dépendance entre les variables devient plus faible quand fd T augmente, et on profite
moins de l’information à priori. Ainsi, le gain d’estimation est plus important pour un canal à
faible variation.

2.4 Conclusion
Dans ce chapitre, nous avons développé une approximation à base de polynôme pour l’évolu-
tion des gains complexes d’un canal de Rayleigh. Cela a permis entre-autre de mesurer le nombre
de coefficients nécessaires à une bonne modélisation polynomiale, en fonction de la vitesse d’évo-
lution du canal. Nous avons vu par exemple que malgré un très fort étalement Doppler de
fd .T = 0.5, l’erreur de modélisation restait faible en utilisant seulement Nc = 3 coefficients pour
le polynôme modélisant la variation du gain à l’intérieur d’un symbole OFDM. Également nous
avons pu repérer les étalements Doppler pour lesquels l’hypothèse d’un canal invariant durant
le symbole OFDM était valide, et mesurer sinon les erreurs commises avec de telles hypothèses.
Toutes ces informations seront des éléments précieux pour la mise au point des algorithmes
qui feront l’objet des chapitres suivants. Nous avons aussi présenté une étude théorique sur les
Bornes de Cramér-Rao Bayesiennes (BCRBs) pour l’estimation des gains complexes de type
Rayleigh avec un spectre de Jakes dans un système OFDM, en supposant les délais des trajets
connus. A notre connaissance, cette étude n’avait pas été faite dans la littérature. Elle a consisté
3
Bien que non démontré, nous pensons aussi que la NBCRB est proche de la BCRB d’estimation des gains
complexes d’un processus de Rayleigh sans présupposer d’étapes dans l’estimation (comme le passage par un
polynôme)
2.4. CONCLUSION 67

−2
10
NBCRB en−ligne K=10
NBCRB hors−ligne pour n=5 et K=10
NBCRS

−3
10
EQM

−4
10

−5
10
0.001 0.05 0.1 0.2 0.3 0.4 0.5
fdT
tel-00373806, version 1 - 7 Apr 2009

Fig. 2.15 – NBCRB en fonction de fd T pour RSB = 20dB

à appliquer des méthodes connues de calcul de bornes à notre problème spécifique. On a ainsi
fourni des expressions de la BCRB pour les deux différents scénarios de variations temporelles du
canal : gain complexe «variant» [? ] [Hija 09a] et «invariant» [Hija 08c] [Hija 09b] à l’intérieur
d’un symbole OFDM. Dans le cas d’un gain complexe variant durant un symbole OFDM, nous
avons proposé une nouvelle BCRB (NBCRB) qui nous donnera un repère pour qualifier la qualité
de nos algorithmes. Nous avons démontré qu’une bonne estimation des variations temporelles
des gains complexes peut être obtenue en choisissant le nombre de coefficients de la modélisation
polynomiale selon le niveau de bruit et l’étalement Doppler. Ces bornes sont utiles pour analyser
la performance des estimateurs des gains complexes pour les scénarios «en-ligne» et «hors-ligne»
et, avec et sans connaissance des symboles OFDM (DA :data-aided et NDA :non-data-aided).
En outre, nous avons montré l’intérêt (et chiffrer le gain potentiel) d’utiliser les symboles OFDM
précédents dans le processus d’estimation du canal, alors qu’il faut bien noter que la plupart
des méthodes de la littérature utilisent seulement le symbole courant. Dans le chapitre suivant,
nous allons proposer les premiers algorithmes pour estimer les variations temporelles des gains
complexes et supprimer les interférences entre sous-porteuses.
68 CHAPITRE 2. MODÉLISATION POLYNOMIALE ET BORNES DE CRAMÉR-RAO BAYESIENNE
tel-00373806, version 1 - 7 Apr 2009
Chapitre 3

Algorithmes Basés sur les Valeurs


Moyennes
tel-00373806, version 1 - 7 Apr 2009

Sommaire
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.2 Modèle des pilotes et sous-porteuses pilotes reçues . . . . . . . . . . 70
3.3 Estimation des valeurs moyennes des gains complexes . . . . . . . . 72
3.4 Méthode de suppression successive des interférences (SSI) . . . . . 73
3.5 Algorithme 1 : interpolation passe-bas à partir des valeurs moyennes 73
3.5.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.5.2 Algorithme itératif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.5.3 Analyse de l’erreur quadratique moyenne (EQM) . . . . . . . . . . . . . 78
3.5.3.1 EQM de l’estimateur des valeurs moyennes a(n) . . . . . . . . 78
(n)
3.5.3.2 EQM globale de l’estimateur des gains complexes αl (qTs ) . . 82
3.5.4 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
3.6 Algorithme 2 : approximation polynomiale à partir des valeurs
moyennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.6.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.6.2 Estimation des coefficients du polynôme . . . . . . . . . . . . . . . . . . 89
3.6.3 Algorithme itératif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.6.4 Complexité de l’algorithme . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.6.5 Analyse de l’erreur quadratique moyenne (EQM) . . . . . . . . . . . . . 92
3.6.6 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
3.6.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
3.7 Conclusion et perspectives . . . . . . . . . . . . . . . . . . . . . . . . . 99

69
70 CHAPITRE 3. ALGORITHMES BASÉS SUR LES VALEURS MOYENNES

3.1 Introduction

La modulation OFDM est mise en avant dans la plupart des systèmes de communications
sans fil, car très robuste à la sélectivité en fréquence des canaux de propagations à trajets mul-
tiples. Les algorithmes d’estimation de canal classiques ou conventionnels estiment le canal aux
fréquences des différentes sous-porteuses pilotes en utilisant le critère LS ou LMMSE [Hsie 98],
et font une interpolation fréquentielle pour obtenir la réponse du canal [Cole 02] [Zhao 97]. Les
normes sont généralement construites pour qu’avec des vitesses faibles ou typiques des mobiles,
l’hypothèse d’un canal fixe durant un symbole soit à peu près vérifiée. Cependant, avec des
vitesses un peu plus importantes (mais toutefois réalistes), le canal peut avoir des variations
temporelles à l’intérieur d’un symbole OFDM. L’orthogonalité entre les sous-porteuses est alors
brisée, ce qui entraı̂ne de l’Interférence Entre sous-Porteuses (IEP), et de fortes dégradations
des performances d’estimation du canal et de détection des symboles. On s’intéresse à ce pro-
blème, en considérant ici que le canal n’est plus constant mais que ces variations sont tout de
même modérées à l’intérieur d’un symbole OFDM. On sort donc du cas idéal d’utilisation de la
tel-00373806, version 1 - 7 Apr 2009

modulation OFDM, mais sans toutefois en être trop éloigné. On cherche alors des algorithmes
qui ne soient pas trop complexes par rapport aux algorithmes conventionnels.
Les deux algorithmes proposés dans ce chapitre sont basés sur un modèle paramétrique du
canal et des symboles pilotes de type peigne (“comb-type pilots”). Ils consistent d’abord à estimer
les valeurs moyennes des gains complexes des trajets sur chaque symbole OFDM, en exploitant
la non-variation des retards des trajets sur plusieurs symboles OFDM. On suppose les retards
connus, mais ils peuvent en réalité être estimés avec une très grande précision par la technique
ESPRIT [Roy 89], comme montré dans [Yang 01]. Après cela, les variations temporelles des
gains complexes des trajets à l’intérieur d’un symbole OFDM sont obtenues par “interpolation”
des valeurs moyennes des gains obtenues sur les symboles successifs. Cela permet ensuite de
calculer la matrice du canal et de procéder à une suppression successive des interférences (SSI).
Une amélioration des performances de l’algorithme est réalisée par un procédé itératif entre
les procédures d’estimation de canal et de soustraction d’interférence. La différence entre les
deux algorithmes présentés réside principalement dans la méthode d’ “interpolation” et dans la
formation de la matrice du canal qui en découle. Le premier algorithme utilise une interpolation
classique de type passe-bas, le deuxième algorithme est basé sur une estimation polynomiale de
l’évolution des gains sur plusieurs symboles successifs, obtenue à partir des moyennes estimées.
Pour chacun des algorithmes, nous avons proposé une analyse des performances d’estimation
en terme d’erreur quadratique moyenne (EQM), de manière théorique et en simulation, avec
comparaison à la Borne de Cramer-Rao (BCR). Nous allons voir que ces algorithmes permettent
une amélioration significative des performances par rapport aux méthodes conventionnelles dès
lors que le canal a des variations non négligeables à l’échelle d’un temps symbole OFDM.

3.2 Modèle des pilotes et sous-porteuses pilotes reçues

Dans cette section, on présente la modèle de distribution des symboles pilotes contenus dans
un bloc temps-fréquence. On donne également l’expression des composantes qui correspondent
à l’emplacement des sous-porteuses pilotes à la réception.
Un système OFDM comprenant N sous-porteuses et un préfixe cyclique de longueur Ng , est
décrit par (1.44) :
3.2. MODÈLE DES PILOTES ET SOUS-PORTEUSES PILOTES REÇUES 71

Fréquence

Lf

Temps
Fig. 3.1 – Pilotes de type peigne avec Lf = 3
tel-00373806, version 1 - 7 Apr 2009

y(n) = H(n) x(n) + w(n) (3.1)


 
L N −1
1 X m−1 1
e−j2π( N − 2 )τl
X (n) m−k
αl (qTs )ej2π N q 
 
H(n) k,m = (3.2)
N
l=1 q=0

Les Np symboles pilotes de type peigne sont fixés lors de la transmission et régulièrement
espacées entre les symboles de donnée comme illustré dans la figure 3.1, avec Lf la distance
en terme de nombre de sous-porteuses entre deux symboles pilotes consécutifs dans le domaine
fréquentiel. Lf peut être choisi sans la nécessité de respecter le théorème d’échantillonnage dans
le domaine fréquentiel, par opposition aux méthodes proposées dans [Yang 01] [Cole 02]. Par
contre, comme on verra dans les équations (3.15) et (3.16), Np devra répondre à la condition
suivante : Np ≥ L.
Soit P l’ensemble qui contient les indices de positions des sous-porteuses pilotes, défini par :

P = {ps | ps = (s − 1)Lf + 1, s = 1, ..., Np } (3.3)

Les sous-porteuses pilotes reçues peuvent donc être écrites comme la somme de trois com-
posantes :

yp(n) = diag{xp }hp(n) + Hp(n) x(n) + wp(n) (3.4)

où xp (i.e, les pilotes sont les mêmes sur tous les symboles OFDM), yp(n) et wp(n) sont des
vecteurs de tailles Np × 1 donnés par :
h iT
xp = [x(n) ]p1 , [x(n) ]p2 , ..., [x(n) ]pNp (3.5)
h iT
yp(n) = [y(n) ]p1 , [y(n) ]p2 , ..., [y(n) ]pNp (3.6)
h iT
wp(n) = [w(n) ]p1 , [w(n) ]p2 , ..., [w(n) ]pNp (3.7)

hp est un vecteur de taille Np × 1 et Hp est une matrice de taille Np × N dont les éléments sont
donnés par :
72 CHAPITRE 3. ALGORITHMES BASÉS SUR LES VALEURS MOYENNES

[hp(n) ]k = [H(n) ]pk ,pk (3.8)



h i [H(n) ]pk ,m if m 6= pk
Hp(n) = (3.9)
k,m 0 if m = pk

Notons que Hp(n) est une matrice nulle sur la diagonale. La première composante de l’équation
(3.4) est le terme désiré sans IEP et la deuxième composante représente l’IEP. hp(n) peut être
(n) T
h i
(n)
représenté comme une transformation de Fourier du vecteur a(n) = α1 , ..., αL :

hp(n) = Fp a(n) (3.10)

où Fp est une matrice de transformation de Fourier de taille Np × L et a(n) est un vecteur de
taille L × 1 dont les éléments sont donnés par :
tel-00373806, version 1 - 7 Apr 2009

[Fp ]k,m = [F]pk ,m (3.11)


N −1
(n) 1 X (n)
[a(n) ]l = αl = αl (qTs ) (3.12)
N
q=0

(n)
où F est la matrice de transformation de Fourier de taille N ×L donnée par (1.30) et αl (qTs ) =
(n)
αl (qTs +nT ). Notons que αl est la moyenne temporelle sur la durée effective du n-ème symbole
OFDM du l-ème gain complexe.

3.3 Estimation des valeurs moyennes des gains complexes


(n) T
h i
(n)
Les valeurs moyennes des gains complexes a(n) = α1 , ..., αL sont estimés sur chaque
symbole OFDM en utilisant le critère LS. En négligeant la contribution de l’IEP, l’estimateur LS
de a (en oubliant l’indice de temps (n)), connaissant yp et xp , consiste à minimiser l’expression
suivante (Erreur Quadratique) :
 H  
EQ(a) = yp − diag{xp }Fp a yp − diag{xp }Fp a (3.13)

En dérivant EQ(a) par rapport à a, on aura :


 T
∇aEQ(a) = aH FH H H
p diag{xp }diag{xp }Fp − yp diag{xp }Fp (3.14)

Ainsi l’estimateur LS de a est celui qui annule cette dérivée, on aura donc :

aLS = Gyp (3.15)


−1
G = FH H
p diag{xp } diag{xp }Fp FH
p diag{xp }
H
(3.16)

où G est une matrice de taille L × Np . Cette matrice dépend des retards des trajets et des
symboles pilotes. Il est important de noter que cette matrice n’existe que si Np ≥ L. Comme les
retards sont quasi-invariants sur plusieurs symboles OFDM et les symboles pilotes sont considérés
fixes durant la transmission, alors il suffit de calculer une seule fois la matrice G pour un bloc
de symboles OFDM.
3.4. MÉTHODE DE SUPPRESSION SUCCESSIVE DES INTERFÉRENCES (SSI) 73

3.4 Méthode de suppression successive des interférences (SSI)


En oubliant l’indice de temps (n), les symboles de données reçus (après la démodulation par
TFD), sans la contribution des symboles pilotes, sont donnés par :
yd = Hd xd + wd (3.17)
où xd contient les symboles de donnée transmis, yd contient les symboles de donnée reçus et
wd contient le bruit sur les sous-porteuses de donnée, représentés par des vecteurs de taille
(N − Np ) × 1. Et Hd est une matrice de taille (N − Np ) × (N − Np ) obtenue en éliminant les
lignes et les colonnes aux positions P de la matrice du canal H.
Les symboles de données sont estimés en utilisant la méthode de suppression successive des
interférence (SSI) et un égaliseur fréquentiel simple à un seul coefficient par sous-porteuse. Cette
méthode a été développée dans [Choi 01]. L’ordre utilisé pour la SSI (ordre de la matrice du
canal de données Hd ) est obtenu à partir du module des éléments de la diagonale, en les classant
du plus grand au plus petit, ce qui donne :
tel-00373806, version 1 - 7 Apr 2009

n o
O = O1 , O2 , ..., ON −Np | i < j si k [Hd ]Oi ,Oi k > k [Hd ]Oj ,Oj k

La méthode de détection peut maintenant être décrite comme suit :

initialisation :
i←1 n o
O = O1 , O2 , ..., ON −Np

yd(i) = yd

récursion :
[yd(i) ]Oi
[xed ]Oi =
[Hd ]Oi ,Oi

[x̂d ]Oi = O [xed ]Oi

yd(i+1) = yd(i) − [x̂d ]Oi hdOi

i←i+1
avec O(.) est une opération de décision convenant à la constellation utilisée et hdOi est la Oi -
ème colonne de la matrice du canal de données Hd . En résumé, la méthode SIS consiste donc
à estimer et à reconstruire les symboles de données afin de réduire l’interférence et avoir une
bonne estimation des symboles de données.

3.5 Algorithme 1 : interpolation passe-bas à partir des valeurs


moyennes
3.5.1 Motivation
Dans ce premier algorithme (décrit en détail à la sous-section suivante) les variations tem-
porelles des gains complexes des trajets à l’intérieur d’un symbole OFDM sont obtenues par
74 CHAPITRE 3. ALGORITHMES BASÉS SUR LES VALEURS MOYENNES

interpolation temporelle d’une séquence de valeurs moyennes estimés successives, chaque va-
leur moyenne étant obtenue sur une durée symbole OFDM comme décrit dans la section 3.3.
L’interpolation de type passe-bas est très naturelle lorsqu’on dispose des valeurs échantillonnées
(éventuellement bruitées) d’un processus, au pas d’échantillonnage T. Bien que dans notre cas
nous ne disposions que des valeurs moyennes (bruitées), nous allons vérifier la validité de la
démarche pour les vitesses visées.
(n)
Pour cela, nous allons montrer dans cette section que, pour un bloc {αl (qTs ), q = 0, ..., N −
1} de N échantillons au pas Ts de gain complexe Gaussien avec un spectre de Jakes de fréquence
fd , on a les deux propriétés suivantes :

• L’échantillon du gain complexe pris au milieu de la durée effective d’un symbole OFDM,
(n)
αl ( N2 Ts ), est le plus proche de la moyenne temporelle sur la durée effective du gain complexe,
(n)
αl , définie par (3.12).
(n) T
h i
(n)
• L’erreur quadratique moyenne (EQM) entre les valeurs moyennes exactes a(n) = α1 , ..., αL
iT
tel-00373806, version 1 - 7 Apr 2009

h
(n) (n)
et les valeurs centrales exactes αc(n) = α1 ( N2 Ts ), ..., αL ( N2 Ts ) , pour les L différents gains
complexes, est donnée par :

EQM2 = E (a(n) − αc(n) )H (a(n) − αc(n) )


 

L N −1 N −1 N −1
    !
X 1 X X 2 X N
= σα2 l J0 2πfd Ts (q1 − q2 ) − J0 2πfd Ts (q − ) + 1
N2 N 2
l=1 q1 =0 q2 =0 q=0
(3.18)
 T
En effet, en oubliant l’indice de temps (n), soit αd = α1 (dTs ), ..., αL (dTs ) un vecteur
d’échantillons de gain complexe prélevés aux instants d ∈ [0, N − 1] pendant la durée effective
d’un symbole OFDM. L’EQM entre a et αd est définie par :

EQM[d] = E (a − αd)H (a − αd)


 

XL  
∗ ∗ ∗ ∗
= E αl αl − αl αl (dTs ) − αl (dTs )αl + αl (dTs )αl (dTs ) (3.19)
l=1

Comme αl (t) est un processus complexe Gaussien à bande étroite, stationnaire au sens large
(WSS), avec un spectre de Jakes [Jake 83], on a donc :
   
∗ 2
E αl (q1 Ts )αl (q2 Ts ) = σαl J0 2πfd Ts (q1 − q2 ) (3.20)

En utilisant le résultat de (3.20), on peut calculer EQM[d] comme suit :

L N −1 N −1 N −1
    !
X 1 X X 2 X
EQM[d] = σα2 l J0 2πfd Ts (q1 − q2 ) − J0 2πfd Ts (q − d) + 1
N2 N
l=1 q1 =0 q2 =0 q=0
(3.21)
Pour trouver le plus proche a de αd, il faut trouver dmin qui minimise EQM[d]. En utilisant la
formule de dérivation de la fonction de Bessel définie par :

J0′ (t) = −J1 (t) (3.22)


3.5. ALGORITHME 1 : INTERPOLATION PASSE-BAS À PARTIR DES VALEURS MOYENNES 75

−2
10

−3
10
EQM[d]

−4
10

EQM[d] (théoriquement)
EQM[d] (simulation Monte−Carlo)
−5
axe de symétrie d = 63.5
10
0 63.5 127
d
tel-00373806, version 1 - 7 Apr 2009

Fig. 3.2 – EQM[d] avec N = 128 et fd T = 0.1

où J1 (.) est la fonction de Bessel de première espèce d’ordre 1, on peut calculer la dérivée de
EQM[d] par rapport à d comme :
L N −1  
4πfd Ts X 2 X
EQM′ [d] = − σ αl J1 2πfd Ts (q − d)
N
l=1 q=0
L −1−d
NX  
4πfd Ts X
= − σα2 l J1 2πfd Ts u (3.23)
N
l=1 u=−d

Comme la fonction J1 (t) est une fonction impaire, la solution de l’équation EQM′ [d] = 0 est
obtenue lorsque l’intervalle [−d, N − 1 − d] de l’indice u dans (3.23) est centrée en zéro. Ainsi
on aura d = N2 − 12 (nombre non entier). En vérifiant qu’on a : EQM′ [d] = EQM′ [N − 1 − d],
on peut dire que EQM[d] est symétrique par rapport à l’axe d = N2 − 21 . Ainsi on peut déduire
que dmin = N2 − 1 ou N2 . À titre d’illustration, la figure 3.2 donne la courbe de EQM[d], obtenue
théoriquement et par simulation Monte-Carlo, pour N = 128 et fd T = 0.1. Il est bien observé
que d = 63.5 est un axe de symétrie et ainsi dmin = 63 ou 64. On peut donc bien conclure que la
(n) (n)
valeur centrale αl ( N2 Ts ) est la plus proche de la valeur moyenne αl . De plus, en remplaçant d
dans (3.21) par dmin = N2 , on obtient EQM2 = EQM[ N2 ], ce qui est bien conforme à l’expression
(3.18) annoncée pour EQM2 .

Analysons maintenant l’ampleur de cette erreur, P EQM 2 , entre valeur moyenne exacte et
valeur centrale exacte. Pour un canal normalisé ( L σ
l=1 αl
2 = 1), EQM ne dépend que de f T .
2 d
La figure 3.3 montre l’évolution de EQM2 en fonction de fd T (pour un canal normalisé), obtenue
théoriquement de (3.18) et par simulation Monte-Carlo. On peut conclure que, pour des valeurs
d’étalement Doppler réalistes fd T ≤ 0.1, la distance entre les valeurs moyennes a(n) et les valeurs
centrales αc(n) est négligeable. Par conséquent, on peut considérer qu’une estimation de a(n) est
une estimation de αc(n) .
Ainsi, si l’on dispose d’une estimation correcte des moyennes a(n) sur quelques symboles
OFDM, leur interpolation par sinus cardinal 1 par un facteur (N + Ng ) devrait donner une
1
le théorème d’échantillonnage est respecté tant que fd T ≤ 0.5
76 CHAPITRE 3. ALGORITHMES BASÉS SUR LES VALEURS MOYENNES

−2
10

−3
10

−4
10

−5
10
2
EQM

−6
10

−7
10

−8
10
EQM2 (théoriquement)
EQM2 (simulation Monte−Carlo)
−9
10
0.01 0.05 0.1 0.2 0.3 0.4 0.5
f T
d
tel-00373806, version 1 - 7 Apr 2009

Fig. 3.3 – EQM entre a(n) et αc(n) avec N = 128

estimation correcte de l’évolution temporelle des gains complexes au pas Ts , {αl (qTs )}, durant
ces quelques symboles OFDM, comme illustré sur la figure figure ??.

3.5.2 Algorithme itératif

yd
(k ) ˆ
H
{r(k)[q]} p xˆ d
T (k , i )
(k , i )
F Détection
SSI
D yp ˆ ˆ
(k ) Estimation H (k ,i) H d (k , i )
de la Matrice
du Canal
xp
xˆ d (k )
(k , i - 1)

z -1

Fig. 3.4 – Le diagramme de l’estimateur de canal et de la suppression d’interférence (SSI)

L’algorithme itératif d’estimation des gains complexes et de suppression d’IEP est illustré
dans les figures 3.4, 3.5 et 3.6. L’algorithme est divisé en deux modes : mode d’estimation de
la matrice du canal et mode de détection comme illustré dans la figure 3.4. Le premier mode
(n)
contient l’estimation des gains complexes échantillonnés {αl (qTs )} au pas Ts via un estimateur
LS et un interpolateur temporel passe-bas, et la calcul de la matrice du canal H(n) comme illustré
dans la figure 3.5. Le deuxième mode contient la détection des symboles de données en utilisant
y la méthode de suppression successive des interférences (SSI) avec un égaliseur fréquentiel simple
à un seul coefficient par sous-porteuse (voir section 3.4). Une technique rétroactive est utilisée
entre ces deux modes qui permet d’effectuer itérativement la suppression d’IEP et l’estimation de
3.5. ALGORITHME 1 : INTERPOLATION PASSE-BAS À PARTIR DES VALEURS MOYENNES 77

la matrice du canal. Dans cet algorithme itératif, les symboles OFDM sont groupés dans des blocs
de K symboles OFDM chacun. Deux blocs consécutifs ont une intersection dans deux symboles
OFDM comme illustré dans la figure 3.6. Pour un bloc de K symboles OFDM, l’algorithme
itératif s’exécute selon :

Hˆ p
(k , i )
tel-00373806, version 1 - 7 Apr 2009

Suppression y p(k , i ) Estimateur aLS ˆ ( k , i ) (qTs ) Hˆ ( k , i )


(k , i ) Interpolation Calcul
yp de LS Passe-bas de la Matrice
(k )
IEPp (moyennes) du Canal
(k )

xˆ d xp
(k , i - 1) (k )

Fig. 3.5 – Le diagramme de l’estimateur de la matrice du canal

CP
Bi
( Le i-ème bloc de K symboles OFDM )
Symbole OFDM
Bi - 1 Bi + 1

aLS aLS aLS aLS aLS aLS aLS aLS


Interpolation de K échantillons estimés Interpolation de K échantillons estimés

Interpolation de K échantillons estimés

Fig. 3.6 – Le diagramme de l’estimateur des gains complexes


78 CHAPITRE 3. ALGORITHMES BASÉS SUR LES VALEURS MOYENNES

initialisation :
i←1
yp (k,i) = yp (k)

récursion :
1) aLS(k,i) = G yp (k,i)

(k,i) k=2,...,K−1
2) {α̂l (qTs ), q=−Ng ,...,N −1 } = interp([aLS(k,i) ]l , N + Ng )

3) calcul de la matrice du canal H(k,i) selon (3.2)

4) suppression de l’IEP due aux pilotes dans les données reçues yd (k)
tel-00373806, version 1 - 7 Apr 2009

5) détection des symboles de données x̂d(k) en utilisant la méthode SSI

6) suppression des interférences : yp (k,i+1) = yp (k) − Ĥp (k,i) x̂(k,i)

7) i ← i + 1

avec interp dénote la fonction d’interpolation en Matlab 2 et, i et k représentent respectivement le


nombre d’itérations et le nombre de symboles OFDM dans un bloc. Cette fonction d’interpolation
[Prog 79] consiste à insérer des zéros dans la séquence originale et ensuite à appliquer un filtre
spécial passe-bas. Ce filtre RIF symétrique permet aux données originales de passer à travers
sans être changées et interpole entre elles de sorte que l’erreur quadratique moyenne entre les
points interpolés et leur valeurs idéales soit minimisée. Notons que les étapes 3 à 6 sont exécutées
sans prendre en compte les premier et dernier symboles OFDM (i.e., k = 2 to K −1) afin d’éviter
les effets de bords de l’interpolation.

3.5.3 Analyse de l’erreur quadratique moyenne (EQM)


Le but de cette section est de faire une analyse théorique des performances d’estimation des
gains complexes au pas Ts en terme d’erreur quadratique moyenne (EQM). Cette EQM globale
est due à différentes contributions : erreur d’estimation de la moyenne, erreur entre moyenne
et valeur centrale, et erreur d’interpolation. Nous allons ainsi au préalable étudier l’EQM de
l’estimation seule des valeurs moyennes des gains complexes. De plus,une comparaison de l’EQM
avec la Borne de Cramér-Rao (BCR) avec connaissance des symboles OFDM (DA : data-aided)
sera faite.

3.5.3.1 EQM de l’estimateur des valeurs moyennes a(n)


Le vecteur d’erreur de l’estimateur LS des valeurs moyennes a (en oubliant l’indice de temps
(n)) est donné par :

e = aLS − a = G IEPp + wp (3.24)
2
nous verrons que les performances de l’algorithme varient finalement peu avec le type d’interpolateur passe-
bas, car ce dernier ne constitue pas le facteur limitatif
3.5. ALGORITHME 1 : INTERPOLATION PASSE-BAS À PARTIR DES VALEURS MOYENNES 79

avec IEPp(n) = Hp(n) x(n) . L’EQM de l’estimateur LS de a, EQM1 , est donnée par :

EQM1 = E eH e
 
 
= Tr E eeH = Tr G R1 + σ 2 INp GH
  
(3.25)

car l’IEP et le bruit sont non corrélés. R1 est une matrice de taille Np × Np définie par :
R1 = E IEPp IEPH = E Hp xxH HH
   
p p (3.26)
Notons que l’espérance dans l’équation (3.26) est calculée vis à vis des symboles de données, du
bruit et des gains complexes. Le terme IEPp(n) peut être décomposé comme une somme de deux
composantes :
IEPp(n) = IEPpp(n) + IEPdd(n) (3.27)
où IEPpp(n) et IEPdd(n) sont les IEPs sur les sous-porteuses pilotes, qui sont respectivement
dues aux symboles pilotes et aux symboles de données, définies par :
tel-00373806, version 1 - 7 Apr 2009

IEPpp(n) = Hpp(n) xp (3.28)


IEPdd(n) = Hdd(n) xd(n) (3.29)
où Hpp(n) et Hdd(n) sont deux matrices de tailles respectivement Np × Np et Np × (N − Np ),
dont les éléments sont définis par :
(  
h i H(n) p ,p if k 6= m
Hpp(n) = k m (3.30)
k,m 0 if k = m
h i  
Hdd(n) = H(n) p ,t (3.31)
k,m k m

où {pk } est défini par (3.3) et tm ∈ [1, N ] − P pour m ∈ [1, N − Np ]. Par conséquent, la matrice
R1 (en oubliant l’indice de temps (n)) devient :
R1 = Rpp + Rdd (3.32)
où Rpp et Rdd sont deux matrices de tailles Np × Np définies par :
Rpp = E IEPpp IEPH = E Hpp xp xH H
   
pp p Hpp (3.33)
Rdd = E IEPdd IEPH = E Hdd xd xH H
   
dd d Hdd (3.34)
car les symboles pilotes
  sont supposés fixes durant la transmission, et les symboles de données
et les coefficients H(n) k,m sont non corrélés. Les symboles de données sont normalisés et non
H
corrélés (i.e., E xd xH
   
d = IN −Np ), on aura donc Rdd = E Hdd Hdd . Ainsi les éléments suivants
[Rpp ]k,m et [Rdd ]k,m , pour k, m ∈ [1, Np ], sont calculés comme suit :
 
XpNp p
Np 
X
[Rpp ]k,m = E [x]d1 [x]∗d2 [H]pk ,d1 [H]∗pm ,d2 
 
 
d1 =p1 d2 =p1
d1 6=pk d2 =
6 pm

p
Np p
Np L N −1 N −1  
X X X d1 −d2 X X (d1 −pk )q1 −(d2 −pm )q2
= 1
N2
σα2 l [x]d1 [x]∗d2 e−j2π N
τl
ej2π N J0 2πfd Ts (q1 − q2 )
d1 =p1 d2 =p1 l=1 q1 =0q2 =0
d1 6=pk d2 =
6 pm
(3.35)
80 CHAPITRE 3. ALGORITHMES BASÉS SUR LES VALEURS MOYENNES

 
N
X
[H]pk ,d [H]∗pm ,d 

[Rdd ]k,m = E 
 
d=1
d6=ps

N −1 N −1   !
PL Np X X pk q1 −pm q2
= 2
l=1 σαl δk,m − 2 (−1)q1 −q2 e−j2π N J0 2πfd Ts (q1 − q2 ) δ0,(q1 −q2 )Np
N
q1 =0 q2 =0
(3.36)
Notons que si l’IEP est complètement supprimée, la matrice R1 est alors une matrice de zéros.
Par conséquent, l’équation (3.25) devient :
 
EQM1 (sans IEP) = σ 2 Tr GGH (3.37)
tel-00373806, version 1 - 7 Apr 2009

Notons que EQM1 dépend en général des positions des symboles pilotes et des retards des trajets.
Notre estimateur LS des valeurs moyennes des gains complexes est non biaisé, et ses perfor-
mances pourront être comparés à la Borne de Cramér-Rao (BCR). On va donc calculer la BCR
pour l’estimation de a en utilisant les symboles pilotes reçus yp du symbole OFDM courant. Le
calcul de cette borne est semblable aux calculs de bornes menés au chapitre II, mais avec des
adaptations dues à quelques différences : on ne s’intéresse qu’à la valeur moyenne du processus,
cette dernière n’est obtenue qu’à partir de l’observation du symbole courant (K = 1 avec les
notations du chapitre II), et enfin seule une partie des symboles est connue (symboles pilotes).
• Calcul de la BCR de a :
En supposant l’IEP IEPp = Hp x dans (3.4) connue, le vecteur yp sachant a est Gaussien
complexe de vecteur moyenne m = diag{xp }F  p a + IEPp et de matrice de covariance Ω1 =
2
σ INp . Ainsi, la densité de probabilité p yp |a est définie par :

1 H −1
e−(yp −m) Ω1 (yp −m)

p yp |a = (3.38)
|πΩ1 |

Le vecteur des valeurs moyennes a est Gaussien complexe centré de matrice de covariance Ω2 ,
et donc la densité de probabilité de a peut s’écrire comme suit :
1 H −1
e−a Ω2 a

p a = (3.39)
|πΩ2 |

où Ω2 est une matrice diagonale de taille L × L dont les éléments sont donnés par :
−1 N −1
σα2 l NX
h i X  
[Ω2 ]l,l = E [a]l [a]∗l = J0 2πfd Ts (q1 − q2 ) (3.40)
N2
q1 =0 q2 =0

La BCR Standard (BCRS) et la BCR Bayesienne (BCRB) sont définies par :

∂2  −1
  
BCRS(a) = − Eyp ln p yp |a (3.41)
∂a∗ ∂aT
∂2  −1
  
BCRB( a) = − Eyp ,a ln p yp , a (3.42)
∂a∗ ∂aT
3.5. ALGORITHME 1 : INTERPOLATION PASSE-BAS À PARTIR DES VALEURS MOYENNES 81

  
avec p yp , a = p yp |a p a est la densité de probabilité conjointe de yp et a. Nous rappelons
que la BCRB est utilisée pour des paramètres aléatoires alors que la BCRS est en réalité appro-
priée aux paramètres déterministes (ou bien est calculée pour une valeur donnée du paramètre
aléatoire).
 
Les résultats des dérivées secondes de ln p yp |a et ln p yp , a par rapport a sont donnés
par :

∂2 H −1
= −FH

ln p y p |a p diag{xp } Ω1 diag{xp }Fp (3.43)
∂a∗ ∂aT
∂2 H −1 −1
= −FH

ln p yp , a p diag{xp } Ω1 diag{xp }Fp − Ω2 (3.44)
∂a∗ ∂aT

Donc, la substitution de (3.43) et (3.44) dans (3.41) et (3.42) conduit à :

−1 −1
BCRS(a) = σ 2 FH H
p diag{xp } diag{xp }Fp = σ 2 FHp Fp (3.45)
tel-00373806, version 1 - 7 Apr 2009

 −1  −1
1 H 1 H
BCRB(a) = 2
Fp diag{xp }H diag{xp }Fp + Ω−1
2 = 2
Fp Fp + Ω−1
2 (3.46)
σ σ

car les symboles pilotes sont fixes et normalisés.


Quelques remarques peuvent être faites concernant ces bornes :
D’abord, on peut mentionner que, dans un contexte DA, la BCRS des moyennes est équiva-
lente à la BCRS des gains complexes invariants durant un symbole OFDM obtenue au Chapitre
2, en considérant le cas en ligne et l’estimation “instantanée” à partir seulement du symbole
courant.
Ensuite il faut noter que pour notre problème spécifique, la BCRS est indépendante de a.
Elle est directement proportionnelle à la variance du bruit d’observation. La BCRS défini ainsi
la borne minimale, si la distribution à priori de a n’est pas utilisée dans la méthode d’estimation,
tandis que la BCRB tient compte
 de cette information. Ceciest illustré sur la figure 3.7, qui trace
la BCRS = Tr BCRS(a) et la BCRB = Tr BCRB(a) en fonction du RSB pour le canal
dont les paramètres sont définies dans le Tableau 1.1, avec N = 128, Np = 16 et fd T = 0.1.
On peut observer qu’il y a une légère différence entre la BCRS et la BCRB seulement pour les
faibles valeurs du RSB. On peut ainsi comparer l’EQM de notre estimateur LS de a avec la
BCRS (à la place de la BCRB), qui est directement inversement proportionnelle au RSB. De
plus, la borne standard est une référence intéressante pour notre algorithme car l’estimateur
LS utilisé est l’estimateur optimal pour une IEP connue lorsque le vecteur de paramètre a est
déterministe. Pour un vecteur de paramètres a aléatoire (Gaussien), l’estimateur optimal est en
fait l’estimateur du maximum de vraisemblance (MV). Mais l’estimateur LS est utilisé car sa
mise en place est plus simple (nécessite moins d’information que l’estimateur MV).
Il est facile à démontrer que :
 
 EQM1 (avec IEP) > Tr BCRS(a)
 (3.47)
EQM1 (sans IEP) = Tr BCRS(a)

Ainsi, en estimant et en enlevant


 l’IEP itérativement, EQM1 se rapprochera de la borne standard
BCRS(a) = Tr BCRS(a) .
82 CHAPITRE 3. ALGORITHMES BASÉS SUR LES VALEURS MOYENNES

0
10
BCRS avec IEP connue
BCRB avec IEP connue

−1
10

−2
10
BCR

−3
10

−4
10

−5
10

−6
10
0 5 10 15 20 25 30 35 40 45 50
RSB
tel-00373806, version 1 - 7 Apr 2009

Fig. 3.7 – Comparaison entre BCRS et BCRB avec N = 128, Np = 16 et fd T = 0.1


(n)
3.5.3.2 EQM globale de l’estimateur des gains complexes αl (qTs )
h iT
(k) (k)
Le vecteur d’erreur de l’estimateur global des gains complexes α(k,q) = α1 (qTs ), ..., αL (qTs )
au pas Ts est donné par :
e(k,q) = α̂(k,q) − α(k,q) (3.48)
Ce vecteur d’erreur peut être écrit comme la somme de deux vecteurs d’erreur :
e(k,q) = ec (k) + eint(k,q) (3.49)
où ec (k) est le vecteur d’erreur dû à la supposition que aLS(k) est une estimation de la valeur
centrale αc(k) et eint(k,q) est le vecteur d’erreur dû à la méthode d’interpolation, qui dépend du
nombre de symboles OFDM K et du terme fd T .
L’EQM de l’estimateur αkq est définie par :
X NX
K−1 −1 h i
EQMTs = E e(k,q) H e(k,q) (3.50)
k=2 q=−Ng

Dans la suite, l’erreur d’interpolation sera négligée (eint(k,q) ≈ [0, ..., 0]T ) dans l’équation
(3.49), ce qui se justifie du moment que l’on choisit une grande valeur de K (pour éviter les
effets de bord), que le théorème d’échantillonnage est respecté dans le domaine temporel (i.e.
fd T ≤ 0.5, où T est la durée d’un symbole OFDM) et que l’on utilise un interpolateur correct. Le
calcul pour justifier ce point étant complexe et sans réel intérêt, la validation de l’approximation
sera seulement vérifiée par simulation.
Par conséquent, l’EQM de l’estimateur αkq devient :
EQMTs ≈ EQMc (3.51)
où EQMc est l’EQM pour la supposition que les valeurs moyennes estimées aLS sont une esti-
mation des valeurs centrales exactes αc, donnée par :
 H  h i
H
EQMc = E ec ec = E (aLS − αc) (aLS − αc)
= EQM1 + EQM2 + EQM12 + EQM21 (3.52)
3.5. ALGORITHME 1 : INTERPOLATION PASSE-BAS À PARTIR DES VALEURS MOYENNES 83

où EQM1 est définie dans (3.25) , EQM2 est définie dans (3.18). L’EQM globale résulte
donc de l’addition de l’EQM due à l’erreur entre moyenne exacte et valeur centrale exacte d’un
processus de Rayleigh sur une durée T, et de l’EQM due à l’estimation des moyennes à partir
de l’observation. Il se rajoute aussi EQM12 et EQM21 qui sont des termes croisés négligeables,
donnés par :
h i
EQM12 = E (aLS − a)H (a − αc) = Tr R2 GH

(3.53)
h i
EQM21 = E (a − αc)H (aLS − a) = EQM∗12 (3.54)

où R2 est une matrice de taille L × Np définie par :


h i
R2 = E (a − αc) xH H
p Hpp(n) (3.55)

Les éléments de la matrice R2 sont donnés par :


 
tel-00373806, version 1 - 7 Apr 2009

pNp  
X
∗ ∗ N
[R2 ]k,m = E [x]d [H]pk ,d αl − αl [ Ts ] 
 
 2 
d=p1
u6=pk
p
Np N −1 N −1    !
2
σα X d X X (d−pk )q1 N
= N2
l
[x]∗d e
j2π N τl −j2π
e N J0 2πfd Ts (q1 − q2 ) − J0 2πfd Ts (q1 − )
2
d=p1 q1 =0 q2 =0
d6=pk
(3.56)
On peut noter que les éléments des matrice R1 et R2 dépendent des symboles pilotes connus et
des retards des trajets.

3.5.4 Simulation
Dans cette section, on vérifie la théorie par la simulation et on teste les performances de notre
algorithme itératif. On étudie l’erreur quadratique moyenne (EQM) et le taux d’erreur binaire
(TEB) en fonction du rapport signal sur bruit (RSB) et de l’étalement Doppler normalisé (fd T )
pour un canal normalisé de type Rayleigh avec L = 6 trajets dont les paramètres sont résumés
dans le tableau 1.1. On considère un système OFDM normalisé à modulation 4-QAM tel que
N = 128 sous-porteuses, Ng = N8 échantillons de garde, Np = 16 pilotes (i.e., Lf = 8) et K = 10
symboles OFDM dans chaque bloc. Le TEB est évalué pour un canal à variations temporelles
modérément rapides telles que fd T = 0.05 et fd T = 0.1, ce qui correspondrait respectivement à
des vitesses de véhicules Vm = 140km/h et Vm = 280km/h pour f0 = 5GHz.
La figure 3.8 donne l’évolution de l’EQM en fonction de fd T , pour un RSB = 20dB. On
observe que, avec l’IEP inconnue, les EQM obtenues par simulation vérifient les EQM théoriques.
On remarque que la différence entre EQMTs et EQMc augmente en fonction de fd T . Cela est
due à l’erreur de la méthode d’interpolation qui augmente avec fd T . Mais pour les plages de
vitesses visées par l’algorithme, on peut dire que EQMTs ≈ EQMc , surtout pour fd T ≤ 0.1. Cela
signifie que l’erreur d’interpolation est négligeable en opérant avec un bloc de K = 10 symboles
OFDM. On vérifie aussi que EQM2 est négligeable par rapport à EQM1 (voir figure 3.3), en
particulier pour fd T ≤ 0.1. Dans ce cas, on peut dire que EQMTs ≈ EQMc ≈ EQM1 : l’erreur
de l’algorithme est principalement due à l’erreur d’ estimation des valeurs moyennes.
La figure 3.9 donne l’évolution de EQM1 avec les itérations en fonction de fd T pour un
RSB = 20dB. On remarque que, en présence de toute l’IEP, EQM1 est loin de la BCRS. Par
84 CHAPITRE 3. ALGORITHMES BASÉS SUR LES VALEURS MOYENNES

0.025
EQM avec IEP inconnue (théorique)
1
EQMc avec IEP inconnue (théorique)
0.02
EQMTs avec IEP inconnue (théorique)
EQM1 avec IEP inconnue (simu)
0.015 EQM avec IEP inconnue (simu)
c
EQM

EQM avec IEP inconnue (simu)


Ts
0.01

0.005

0
0.01 0.05 0.075 0.1 0.2 0.3
fdT

Fig. 3.8 – Comparaison entre les EQMs pour RSB = 20dB


tel-00373806, version 1 - 7 Apr 2009

−1
10
BCRS avec IEP connue
EQM1 avec IEP inconnue (théorique)
EQM1 avec IEP inconnue (simu)
EQM après une itération (simu)
1
EQM1 après deux itérations (simu)
EQM1 après trois itérations (simu)
EQM1

−2
10

−3
10
0.01 0.05 0.075 0.1 0.2 0.3
fdT

Fig. 3.9 – L’EQM de l’estimateur LS pour RSB = 20dB

contre, en améliorant l’estimation de l’IEP et sa suppression après chaque itération, EQM1


diminue beaucoup, surtout après la première itération. EQM1 se rapproche ainsi de la BCRS
pour fd T ≤ 0.1. Cependant, en augmentant fd T , on observe à partir de EQM2 donnée dans
la figure 3.3 que la valeur moyenne a s’éloigne de la valeur centrale αc. Par conséquent, pour
fd T > 0.1, l’EQM de l’estimateur des gains complexes est importante et l’IEP n’est pas bien
estimée et retirée.
La figure 3.10 montre l’évolution de EQMTs ≈ EQM1 avec les itérations en fonction du RSB
pour un fd T = 0.1. Après une itération, une grande amélioration est réalisée et EQM1 est très
proche de la BCRS particulièrement pour les faibles et moyens RSB. En effet, l’IEP n’est pas
complètement enlevée due à l’erreur de détection des symboles, mais pour de faibles RSB la
contribution du bruit d’observation est dominante.
La figure 3.11 illustre les parties réelles et imaginaires des gains complexes exacts et estimés
(après une itération) pour une réalisation du canal sur 8 symboles OFDM avec un RSB = 20dB
et fd T = 0.1. On vérifie que l’on a une bonne estimation, malgré la rapidité du canal.
La figure 3.12 donne le TEB de notre algorithme comparé aux TEB des méthodes classiques
3.5. ALGORITHME 1 : INTERPOLATION PASSE-BAS À PARTIR DES VALEURS MOYENNES 85

0
10
BCRS avec IEP connue
EQM1 avec IEP inconnue (théorique)
EQM1 avec IEP inconnue (simu)
−1
10 EQM1 après une itération (simu)
EQM après deux itérations (simu)
1
EQM1 après trois itérations (simu)
−2
10
EQM1

−3
10

−4
10

−5
10

−6
10
0 5 10 15 20 25 30 35 40 45
RSB
tel-00373806, version 1 - 7 Apr 2009

Fig. 3.10 – L’EQM de l’estimateur LS pour fd T = 0.1


Partie Réelle des Gains Complexes Partie Imaginaire des Gains Complexes
1 0

0 −0.5

−1 −1
0 200 400 600 800 1000 1200 0 200 400 600 800 1000 1200
2 1

0 0.5

−2 0
0 200 400 600 800 1000 1200 0 200 400 600 800 1000 1200
2 1

0 0

−2 −1
0 200 400 600 800 1000 1200 0 200 400 600 800 1000 1200
0.5 1

0 0.5

−0.5 0
0 200 400 600 800 1000 1200 0 200 400 600 800 1000 1200
0.5 1

0 0

−0.5 −1
0 200 400 600 800 1000 1200 0 200 400 600 800 1000 1200
0.5 0

0 −0.2

−0.5 −0.4
0 200 400 600 800 1000 1200 0 200 400 600 800 1000 1200

valeurs moyennes exactes


valeurs moyennes estimées (LS)
gain complexe exact
gain complexe estimé

Fig. 3.11 – Les gains complexes estimés avec fd T = 0.1 et RSB = 20dB

ou conventionnelles (LS et LMMSE) [Hsie 98] [Cole 02] [Zhao 97] et au TEB obtenu par l’algo-
rithme SSI avec canal connu pour fd T = 0.05 en (a) et fd T = 0.1 en (b). Comme référence, on a
également tracé le TEB obtenu avec une connaissance parfaite du canal et de l’IEP (on rappelle
que l’IEP dépend du canal mais aussi des symboles). Ces résultats prouvent que, avec l’IEP
inconnue, notre algorithme a une meilleure performance que les méthodes conventionnelles. De
plus, quand on commence la suppression d’interférence notre algorithme montre une améliora-
86 CHAPITRE 3. ALGORITHMES BASÉS SUR LES VALEURS MOYENNES

0
10

−1
10

−2
10
TEB

−3
10

connaissance parfaite de canal et IEP


algorithme SSI avec connaissance parfaite de canal
−4
après une itération
10 après deux itérations
après trois itérations
inversion de diagonale avec IEP
méthode classique (LS) avec IPB
−5
méthode classique (LMMSE) avec IPB
10
0 5 10 15 20 25 30 35 40
RSB
tel-00373806, version 1 - 7 Apr 2009

(a)
0
10

−1
10

−2
10
TEB

−3
10

connaissance parfaite de canal et IEP


algorithme SSI avec connaissance parfaite de canal
−4
après une itération
10 après deux itérations
après trois itérations
inversion de diagonale avec IEP
méthode classique (LS) avec IPB
−5
méthode classique (LMMSE) avec IPB
10
0 5 10 15 20 25 30 35 40
RSB

(b)

Fig. 3.12 – TEB : (a) fd T = 0.05 ; (b) fd T = 0.1

tion du Taux d’erreur binaire après chaque itération, grâce à l’amélioration de l’estimation de
l’IEP. Après deux itérations, le TEB de notre algorithme est très proche du TEB obtenu par
suppression d’IEP avec canal connu. Pour de forts RSB, on a un plancher qui est dû surtout
aux erreurs de décision de l’égaliseur, et non à l’estimation des gains.

3.5.5 Conclusion
Dans cette partie, on a analysé un algorithme itératif pour estimer les gains complexes des
trajets et supprimer l’interférence entre porteuses (IEP) dans un système OFDM. Les variations
temporelles des gains complexes sont obtenues en exploitant l’invariance (sur plusieurs symboles
OFDM) et la connaissance des retards des trajets. L’analyse théorique et les résultats de simu-
lation de notre algorithme montrent que, en estimant et en supprimant l’IEP à chaque itération,
l’estimation des gains et la démodulation cohérente apportent une amélioration significative pour
3.6. ALGORITHME 2 : APPROXIMATION POLYNOMIALE À PARTIR DES VALEURS MOYENNES 87

des vitesses modérément élevées (particulièrement après la première itération), c’est à dire pour
des étalements Doppler fd T ≤ 0.1. De plus, notre algorithme a une meilleure performance que les
méthodes conventionnelles et le TEB résultant est très proche du TEB obtenu par suppression
d’IEP avec canal connu.

3.6 Algorithme 2 : approximation polynomiale à partir des va-


leurs moyennes
3.6.1 Motivation
L’algorithme présenté précédemment (Algorithme 1) a donné satisfaction pour les vitesses vi-
sées dans ce chapitre. Cependant, nous avons voulu en diminuer un peu la complexité calculatoire
en présentant un deuxième algorithme voisin (présenter en détail dans les sections suivantes).
Nous nous baserons maintenant sur une approximation polynomiale (au temps échantillon Ts )
pour l’évolution des gains du processus de Rayleigh sur une séquence de K symboles OFDM. Le
tel-00373806, version 1 - 7 Apr 2009

chapitre 2 nous avait déjà éclairé sur la très bonne adéquation de l’approximation polynomiale.
Mais nous allons préciser maintenant comment pour des vitesses modérées, l’approximation po-
lynomiale peut naturellement être construite sur une séquence de K symboles OFDM au lieu
d’un seul d’une part, et seulement à partir de la connaissance des valeurs moyennes (estimées
sur chacun des symboles du bloc) d’autre part.
 T
Soit αl = αl (−Ng Ts ), ..., αl (vNc − Ng − 1)Ts le gain complexe échantillonné du l-ème
(N ) T
h i
(1) (d)
trajet durant Nc symboles OFDM et αl = αl , ..., αl c où αl est la moyenne temporelle
calculée sur la durée effective du d-ème symbole OFDM du l-ème gain complexe, donnée par :
N −1
(d) 1 X 
αl = αl (q + (d − 1)v)Ts (3.57)
N
q=0

Dans cette section, on va démontrer que pour un étalement Doppler relativement fort (i.e,
fd T ≤ 0.1), on a les deux propriétés suivantes :

• Chaque gain complexe échantillonné αl durant Nc symboles OFDM peut être approximé par
h iT
un modèle polynomial contenant Nc coefficients cl = c1,l , ..., cNc ,l (i.e., un polynôme de degré
(Nc − 1)).
• Une bonne approximation polynomiale peut être obtenue en calculant les Nc coefficients du
polynôme seulement à partir des valeurs moyennes αl .
En effet, en utilisant la méthode des moindres carrés (régression polynomiale) [cont], le
polynôme optimal αoptl et ses Nc coefficients coptl sont donnés par (voir le calcul détaillé dans
l’annexe B) :
T
αoptl = Q′ coptl = S′αl (3.58)
T −1 ′
 
coptl = Q′Q′ Q αl (3.59)

où Q′ est une matrice de taille Nc × vNc dont les éléments sont définis par :

[Q′]k,m = (m − Ng − 1)(k−1) (3.60)


88 CHAPITRE 3. ALGORITHMES BASÉS SUR LES VALEURS MOYENNES

T −1 ′
 
T
et S′ = Q′ Q′Q′ Q est une matrice de taille vNc × vNc . Ce polynôme est celui qui four-
nit l’erreur quadratique moyenne minimale (MMSE) dans l’approximation durant Nc symboles
OFDM par un polynôme de Nc coefficients. Cette MMSE est donnée par (voir le calcul dans le
chapitre 2, section 2.2) :

1 
E (αl − αoptl )H (αl − αoptl )

MMSEl =
vNc
1 
T

= Tr (IvNc − S′)Rαl (IvNc − S′ ) (3.61)
vNc

où Rαl = E αl αH
 
l est la matrice de corrélation de αl de taille vNc × vNc dont les éléments
sont définis par :
 
2
[Rαl ]k,m = σαl J0 2πfd Ts (k − m) (3.62)
tel-00373806, version 1 - 7 Apr 2009

Notre objectif maintenant est de trouver l’approximation polynomiale de Nc coefficients,


basée sur la connaissance de αl . Ce polynôme désiré αdésl et ses coefficients cdésl sont donnés
par :
T
αdésl = Q′ cdésl = V αl (3.63)
−1
cdésl = T αl (3.64)

où T est la matrice de transfert pour passer de cdésl à αl , de taille Nc × Nc , etV = QT T−1 .
Par exemple pour Nc = 3, T est donnée par :
(N −1)(2N −1)
 
N −1
1 2 6
(N −1)(2N −1)
T =  1 N 2−1 + v + (N − 1)v + v 2  (3.65)
 
6
N −1 (N −1)(2N −1) 2
1 2 + 2v 6 + 2(N − 1)v + 4v

Notons que, pour Nc = 2, la matrice de transfert résultante est la matrice de taille 2 × 2 issu du
bloc supérieur gauche de la précédente matrice T (définie pour Nc = 3). L’erreur quadratique
moyenne (EQM) pour ce modèle polynomial est donnée par :

1 
E edésl eH

EQMdésl = désl
vNc
 
1 T T H
= Tr Rαl + V Rαl V − Rαl αl V − V Rαl αl (3.66)
vNc

où edésl = αl − αdésl est l’erreur du modèle, Rαl est la matrice de corrélation de αl de taille
Nc ×Nc et Rαl αl est la matrice de corrélation entre αl et αl de taille vNc ×Nc , dont les éléments
sont donnés par :
kv−Ng −1 mv−Ng −1
σα2 l X X  
[Rαl ]k,m = J0 2πfd Ts (q1 − q2 ) (3.67)
N2
q1 =(k−1)v q2 =(m−1)v

mv+Ng −1
σα2 l X  
[Rαl αl ]k,m = J0 2πfd Ts (k − q − Ng − 1) (3.68)
N
q=(m−1)v
3.6. ALGORITHME 2 : APPROXIMATION POLYNOMIALE À PARTIR DES VALEURS MOYENNES 89

0
10

−2
10

−4
10

−6
10
EQM

−8
10

MMSE Nc=2
−10
10 MMSE Nc=3
MMSE Nc=4
EQMdés Nc=2
−12
10
EQMdés Nc=3
EQMdés Nc=4

0.01 0.05 0.075 0.1 0.2 0.3


fdT
tel-00373806, version 1 - 7 Apr 2009

Fig. 3.13 – Comparaison entre MMSE et EQMdés pour un canal normalisé de L = 6 trajets

La figure 3.13 représente l’erreur quadratique moyenne minimale (MMSE) et l’erreur qua-
dratique moyenne avec le P polynôme désiré (EQMdés ), moyennées sur tous les trajets d’un canal
normalisé en puissance ( L=6 2
l=1 σαl = 1), en fonction de l’étalement Doppler fd T pour diffé-
rentes valeurs de Nc . On remarque qu’on a EQMdés ≈ MMSE et, pour fd T ≤ 0.1 et Nc = 2,
EQMdés ≤ 10−4 . Ceci prouve que, jusqu’à de relativement fortes valeurs de fd T (i.e, fd T ≤ 0.1),
on peut approximer αl par un modèle polynomial de Nc coefficients et on peut calculer ce
polynôme en utilisant seulement les valeurs moyennes temporelles αl .
Sous cette approximation polynomiale, la matrice de canal (voir équation (3.2)) pour le n-
ème symbole des Nc symboles OFDM peut être définie simplement comme suit (le calcul détaillé
est similaire à celui de l’annexe C) :
Nc
1 X
H(d) = B(d,d′ ) (3.69)
N ′
d =1
B(d,d′ ) = M(d,d′ ) diag{Fχd′ } (3.70)
h iT
où χd′ = cd′ ,1 , ..., cd′ ,L , F est la matrice de TF (calibrée selon les retards des trajets) de taille
N × L donnée par (1.30) et M(d,d′ ) est la matrice de taille N × N donnée par :
N −1
X d′ −1 m−k
ej2π q
 
M(d,d′ ) k,m = q + (d − 1)v N (3.71)
q=0

où d et d′ ∈ [1, Nc ]. Notons que les termes de la matrice M(d,d′ ) peuvent être calculés et stockés
facilement à partir des propriétés des séries entières. Cette représentation simplifiée de la matrice
de canal va être utilisée dans cet algorithme comme décrit dans la prochaine section.

3.6.2 Estimation des coefficients du polynôme


Soit Cdes = [cdes1 , ..., cdesL ] et A = [α1 , ..., αL ] deux matrices de tailles Nc × L qui
contiennent respectivement les coefficients des polynômes désirés et les valeurs moyennes tem-
porelles (calculées sur chaque symbole) de tous les trajets du canal durant Nc symboles OFDM.
90 CHAPITRE 3. ALGORITHMES BASÉS SUR LES VALEURS MOYENNES

Hˆ p
(n , i )

Suppression y p(n , i ) Estimateur a Calcul des Cˆ des Calcul Hˆ (n , i)


yp LS
(n )
de LS Coefficients de la Matrice
IEPp (moyennes) Polynomiaux du Canal
(n)

xˆ d xp
(n , i - 1) (n )

Fig. 3.14 – Le diagramme de l’estimateur de la matrice du canal


tel-00373806, version 1 - 7 Apr 2009

En estimant par l’estimateur LS (voir section 3.3) le vecteur des valeurs moyennes des dif-
(n) T
h i
(n)
férents trajets a(n) = α1 , ..., αL pour Nc symboles OFDM consécutifs, on obtient une
version estimée de la matrice A que l’on nomme ALS = [αLS1 , ..., αLSL ].
En utilisant l’équation de transfert définie par (3.64), on obtient finalement une estimation
de la matrice des coefficients désirés Cdes donnée par :

Ĉdes = T−1 ALS (3.72)

avec Ĉdes = [ĉdes1 , ..., ĉdesL ].

3.6.3 Algorithme itératif

Dans l’algorithme itératif pour l’estimation de canal et la suppression d’IEP, les symboles
OFDM sont groupés en blocs de Nc symboles OFDM chacun. De même, le synoptique général
de cet algorithme itératif est le même que celui du premier algorithme donné par la figure
3.4, où {r(k) [q]} est le signal échantillonné reçu sans préfixe cyclique. Comme on l’a décrit
précédemment, l’algorithme complet est formé de deux modes : mode d’estimation et mode de
détection. Le première mode engendre une estimation des Nc coefficients des polynômes désirés,
Cdes , suivant l’estimateur LS et un calcul de la matrice de canal comme représenté sur la
figure 3.14. Le second mode utilise la méthode SSI pour la détection des symboles de donnée
(voir section 3.4). L’algorithme est exécuté en deux étapes : une étape d’initialisation et une
étape de glissement (“‘sliding stage”). L’étape d’initialisation s’applique seulement au premier
bloc reçu de Nc symboles OFDM (i.e. n = 1, ..., Nc ), alors que l’étape de glissement s’applique à
chaque symbole OFDM suivant reçu (i.e. n > Nc ), tout en utilisant les (Nc −1) valeurs moyennes
précédemment estimées (avec IEP réduite). Les étapes d’initialisation et de glissement procèdent
comme suit :
3.6. ALGORITHME 2 : APPROXIMATION POLYNOMIALE À PARTIR DES VALEURS MOYENNES 91

initialisation :
i←1
si (étape d’initialisation);
Yp(i) = [yp(1,i) , ..., yp(N ,i) ] avec yp(n,i) = yp(n) et n = 1, ..., Nc
c

si (étape de glissement);
n
n← n+1 o n o
[ALS ]k,m , k = 1, .., Nc − 1 = [ALS ]k,m , k = 2, .., Nc
yp(n,i) = yp(n)

récursion :
1) si (étape d’initialisation); ATLS = GYp(i)
si (étape de glissement); aLS = Gyp(n,i)
tel-00373806, version 1 - 7 Apr 2009

n o n o
[ALS ]Nc ,m , m = 1, .., L = [aLS ]m , m = 1, .., L

2) Ĉdes = T−1 ALS

3) calcul la matrice de canal en utilisant (3.69)


si (étape d’initialisation); Ĥ(n,i) pour n = 1, ..., Nc
si (étape de glissement); Ĥ(Nc ,i)

4) suppression de l’IEP due aux pilotes dans les données reçues yd(n)
5) détection des symboles de données x̂d(n,i) en utilisant la méthode SSI

6) yp(n,i+1) = yp(n) − Ĥp(n,i) x̂(n,i)


7) i ← i + 1

où i représente le nombre d’itérations. Notons qu’à la fin de l’étape d’initialisation, on a n = Nc .

3.6.4 Complexité de l’algorithme


L’objectif de cette section est de déterminer la complexité d’implémentation en terme de
nombre de multiplications nécessaires pour l’étape de glissement. Les matrices F, Fp , G, T−1 et
M(d,d′ ) sont pré-calculées et stockées si les symboles pilotes sont fixés et les retards sont invariants
pour un grand nombre de symboles OFDM. La complexité de l’estimateur LS de a dans l’étape
1 est L × Np et la complexité de l’estimation des Nc coefficients polynomiaux dans l’étape 2 est
L × Nc2 . Le coût calculatoire pour la formation de la matrice de canal H(n) dans l’étape 3 est
N Nc (N +L), ce qui est inférieur à celui de l’algorithme 1 qui était de LN 2 (N +1). La complexité
(N −Np )(N −Np +1)
de suppression de l’IEP dans les étapes 4, 5 et 6 est Np (N − Np ) + 2 + Np (N − 1).
3
En conclusion, la complexité du premier algorithme est O(N ) (de l’ordre de N ) et celle du 3

deuxième algorithme est O(N 2 ) (de l’ordre de N 2 ). Cette réduction significative de la complexité
de calcul vis à vis du premier algorithme est principalement due au fait que le calcul de la
matrice de canal est basée sur les coefficients polynomiaux : il n’y a plus nécessité de construire
les variations temporelles des gains complexes par un interpolateur passe-bas.
92 CHAPITRE 3. ALGORITHMES BASÉS SUR LES VALEURS MOYENNES

3.6.5 Analyse de l’erreur quadratique moyenne (EQM)


Dans cette section, nous allons faire une analyse théorique des performances d’estimation
des gains complexes au pas Ts en terme de l’erreur quadratique moyenne (EQM). En plus, une
comparaison de l’EQM avec la Borne de Cramér-Rao (BCR) avec connaissance des symboles
OFDM (DA : data-aided) sera faite.
 
Soit ∆p = IEPp(n−Nc +1) , ..., IEPp(n) ] avec IEPp(n) = Hp(n) x(n) et Wp = wp(n−Nc +1) , ..., wp(n) ].
La matrice d’erreur de l’estimateur des valeurs moyennes a durant Nc symboles OFDM est dé-
finie par :

T
E = Â − AT (3.73)

L’erreur entre le l-ème gain complexe exact αl et le l-ème polynôme désiré estimé α̂désl est
donné par :
el = αl − Vα̂l = edésl − Vǫl (3.74)
tel-00373806, version 1 - 7 Apr 2009

où α̂l est une estimation de αl et ǫTl est la l-ème ligne de la matrice E. Ainsi, l’EQM entre αl
et α̂désl est donnée par :

1
EQMl = E[eH
l el ]
vNc
    
1 H H 2 H
= EQMdésl + E ǫl V V ǫl − Re E edésl V ǫl (3.75)
vNc vNc

Interprétons maintenant le second membre de l’équation (3.75) : la première composante est


l’erreur du modèle, la deuxième composante est l’EQM du l-ème polynôme estimé et la troisième
composante est le terme croisé. Il faut bien noter que si l’IEP est complètement supprimée alors
les éléments de la matrice E sont non corrélés entre eux, et non corrélés avec les éléments du
vecteur edésl . D’où, à partir de l’équation (3.75), on a :

kVk2 h i
EQMl (sans IEP) = EQMdésl + × E [E]l,1 [E]∗l,1 (3.76)
vNc

où la deuxième composante du seconde membre est l’EQM du l-ème polynôme estimé sans
IEP. Cette composante est due à l’erreur de l’estimateur de a sans IEP amplifiée par un gain
2
G = kVk
vNc lié à la modélisation polynomiale. Ainsi, la borne minimale (BM) de l’estimateur de a
(sans IEP) conduit à la BM de EQMl , (sans IEP). La borne de Cramér-Rao standard (BCRS)
pour l’estimateur de a avec IEP connue est donnée par (3.45). Par conséquent, la BM de l’EQM
entre αl et α̂désl est donnée par :

BMl = EQMdésl + G × [BCRS(a)]l,l (3.77)

2
où G = kVk
vNc est le gain d’amplification du bruit. Notons que la première composante de (3.77),
EQMdésl , dépend de fd T et de Nc tandis que la deuxième composante, la BM de l’EQM du l-ème
polynôme estimé, dépend de RSB = σ12 et de Nc . Par conséquent, le nombre de coefficients, Nc ,
doit être choisi de telle sorte qu’un compromis acceptable soit trouvé entre l’erreur du modèle
et la réduction du bruit.
3.6. ALGORITHME 2 : APPROXIMATION POLYNOMIALE À PARTIR DES VALEURS MOYENNES 93

Dans notre cas, l’estimateur des valeurs moyennes a est l’estimateur LS (i.e., Â = ALS ).
D’où, les équations (3.73), (3.75) et (3.76) deviennent comme suit :
T
E = ATLS − Â

= G ∆p + Wp (3.78)
 
1 H 2
Re rT3 gl

EQMl = EQMdésl + gl R1 + R2 gl − (3.79)
vNc vNc
1 H
EQMl (sans IEP) = EQMdésl + g R1 gl (3.80)
vNc l
car le bruit et l’IEP sont non corrélés. gTl est la lème ligne de la matrice G. De plus R1 , R2 et
r3 sont définis par :
h i
R1 = E W∗p VH VWTp = σ 2 kVk2 INp (3.81)
h i
R2 = E ∆∗p VH V∆Tp (3.82)
tel-00373806, version 1 - 7 Apr 2009

h i
r3 = E ∆p VT e∗désl (3.83)

Notons que, dans le cas où l’IEP est complètement supprimée, R2 et r3 sont respectivement une
matrice et un vecteur nuls. En utilisant la décomposition du terme IEPp(n) donnée par (3.27)
 
et le fait que les symboles de données et les éléments H(n) k,m sont non corrélés, la matrice R2
peut s’écrire comme suit :

R2 = Rpp + Rdd (3.84)

avec Rpp et Rdd sont deux matrices de taille Np × Np définies par :

Rpp = E ∆∗pp VH V∆Tpp


 
(3.85)
 ∗ H T

Rdd = E ∆dd V V∆dd (3.86)
 
où ∆pp = IEPpp(n−Nc +1) , ..., IEPpp(n) ] et ∆dd = IEPdd(n−Nc +1) , ..., IEPdd(n) ]. Les symboles
h i
de données sont normalisés et non corrélés (i.e. E x(u1 ) [d1 ]x∗(u2 ) [d2 ] = δd1 ,d2 δu1 ,u2 ), d’où les
éléments [Rpp ]k,m , [Rdd ]k,m et [r3 ]k , avec k, m ∈ [1, Np ], peuvent être ainsi calculés :

vNc X
X Nc
Nc X h i
[Rpp ]k,m = [V]u,u1 [V]u,u2 Zp(k,m) (3.87)
u1 ,u2
u=1 u1 =1 u2 =1

vNc X
X Nc X
Nc h i
[Rdd ]k,m = [V]u,u1 [V]u,u2 Zd(k,m) (3.88)
u1 ,u2
u=1 u1 =1 u2 =1
" vN N # " vN N N #
Xc X c h i Xc X c Xc h i
[r3 ]k = E [V]u,u1 Z1(k) −E [V]u,u1 [V]u,u2 Z2(k)
u,u1 u1 ,u2
u=1 u1 =1 u=1 u1 =1 u2 =1
(3.89)
h i h i h i h i
où Zp(k,m) , Zd(k,m) , Z1(k) et Z2(k) sont donnés en annexe J. Notons que
u1 ,u2 u1 ,u2 u,u1 u1 ,u2
les éléments de R2 et r3 dépendent des symboles pilotes connus. Il est facile à démonter qu’on
94 CHAPITRE 3. ALGORITHMES BASÉS SUR LES VALEURS MOYENNES

−1
10
EQM après trois itérations Nc=2 et RSB=20dB
EQM après trois itérations Nc=3 et RSB=20dB
EQM après trois itérations Nc=2 et RSB=40dB
EQM après trois itérations Nc=3 et RSB=40dB
−2
10
EQM

−3
10

−4
10
BM (sans IEP) Nc=2 et RSB=20dB
BM (sans IEP) Nc=3 et RSB=20dB
BM (sans IEP) Nc=2 et RSB=40dB
BM (sans IEP) Nc=3 et RSB=40dB
−5
10
0.03 0.05 0.075 0.1 0.2
f T
d
tel-00373806, version 1 - 7 Apr 2009

Fig. 3.15 – Comparison de l’EQM, pour Nc = 2 et 3 avec RSB = 20dB et 40dB

a: 
EQMl (avec IEP) > BMl
(3.90)
EQMl (sans IEP) = BMl
Ainsi, en estimant et en enlevant l’IEP itérativement, EQMl doit se rapprocher de BMl .

3.6.6 Simulation
Dans cette section, la théorie décrite ci-dessus est validée par simulation, et la performance de
l’algorithme itératif est testée. Les performances en terme d’erreur quadratique moyenne (EQM)
et de taux d’erreur binaire (TEB) sont examinées en fonction du rapport signal sur bruit (RSB)
et de de l’étalement Doppler normalisé (fd T ) pour le canal normalisé de type Rayleigh avec L = 6
trajets dont les paramètres sont résumés dans le tableau 1.1. On considère toujours un système
OFDM normalisé à modulation 4-QAM tel que N = 128 sous-porteuses, Ng = N8 échantillons de
garde, Np = 16 pilotes (i.e., Lf = 8). Le TEB est évalué pour un canal à variations temporelles
moyennes tel que fd T = 0.05 et fd T = 0.1 correspondant respectivement à des vitesses de
véhicules Vm = 140km/h et Vm = 280km/h pour f0 = 5GHz.
La figure 3.15 présente une comparaison de l’EQM entre le gain complexe exact et le poly-
nôme estimé, en fonction de fd T pour Nc = 2 et 3 avec RSB = 20dB et 40dB. On a observé
que pour des valeurs modérées du RSB, l’approximation acquise avec Nc = 2 coefficients est
meilleure que celle obtenue avec Nc = 3 coefficients. Cependant, pour des valeurs élevées du
RSB, une tendance opposée est observée. Ceci est dû à la composante relative au bruit dans
l’équation (3.79), et au troisième coefficient qui est mal estimé, spécialement dans le cas de
faibles RSB, car il est négligeable comparé au niveau de bruit (voir figure 2.4 dans chapitre 2).
Cependant, cette différence entre les EQM n’a pas une grande influence sur le TEB, comme on
peut le voir sur la figure 3.16.
La figure 3.17 illustre l’évolution de l’EQM, avec la progression du nombre d’itérations,
en fonction du RSB pour fd T = 0.1 et Nc = 2. On constate qu’en présence de toute l’IEP,
l’EQM obtenue par simulation s’accorde avec la valeur théorique donnée en (3.79). Après juste
une itération, une grande amélioration est réalisée et l’EQM est très proche de la BM (borne
minimale) de notre algorithme, spécialement dans les régions de faible et modéré RSB. En
effet, pour les faibles RSB le bruit est dominant par rapport au niveau de l’IEP, cependant
3.6. ALGORITHME 2 : APPROXIMATION POLYNOMIALE À PARTIR DES VALEURS MOYENNES 95

Nc 2 3 4

kVk2
G= vNc 1.17 1.39 1.73

Tab. 3.1 – Le gain G dans l’expression (3.77) avec N = 128 et Ng = 16

−1
10

−2
10
TEB
tel-00373806, version 1 - 7 Apr 2009

−3
10

TEB après trois itérations Nc=2 et RSB=20dB


TEB après trois itérations N =3 et RSB=20dB
c
TEB après trois itérations Nc=2 et RSB=40dB
TEB après trois itérations Nc=3 et RSB=40dB
−4
10
0.03 0.05 0.075 0.1 0.2
f T
d

Fig. 3.16 – Comparaison du TEB, pour Nc = 2 et 3 avec RSB = 20dB et 40dB

0
10
MMSE
EQMdés
BM (sans IEP)
EQM avec IEP inconnue (théorique)
EQM avec IEP inconnue (simu)
−1
10 EQM après une itération
EQM après deux itérations
EQM

−2
10

−3
10

−4
10
0 5 10 15 20 25 30 35 40 45 50
RSB

Fig. 3.17 – EQM de l’approximation polynomiale avec fd T = 0.1 et Nc = 2

pour de forts RSB, l’IEP n’est pas complètement supprimée à cause des erreurs de détection des
symboles de données. La figure 3.17 montre aussi que, pour fd T = 0.1 et RSB ≤ 30dB, l’EQM du
polynôme d’approximation, EQMdés , est négligeable, et la principale contribution de l’EQM est
celle produite par l’estimateur LS. Dans ce cas, selon (3.77), on a en effet BMl ≈ G×[BCRS(a)]l,l
car EQMdés est négligeable comparé à la BCRS, comme on peut le voir en comparant la figure
3.13 à la figure 3.7. Pour trouver la plus petite BM possible, on a donc besoin de choisir Nc = 2
96 CHAPITRE 3. ALGORITHMES BASÉS SUR LES VALEURS MOYENNES

0
10

−1
10

−2
10
TEB

−3
10

connaissance parfaite de canal et IEP


−4
algorithme SSI avec connaissance parfaite de canal
10 méthode classique (LS) avec IPB
méthode classique (LMMSE) avec IPB
après une itération
après deux itérations
−5
après trois itérations
10
0 5 10 15 20 25 30 35 40
RSB
tel-00373806, version 1 - 7 Apr 2009

(a)
0
10

−1
10

−2
10
TEB

−3
10

connaissance parfaite de canal et IEP


−4
algorithme SSI avec connaissance parfaite de canal
10 méthode classique (LS) avec IPB
méthode classique (LMMSE) avec IPB
après une itération
après deux itérations
−5
après trois itérations
10
0 5 10 15 20 25 30 35 40
RSB

(b)

Fig. 3.18 – TEB : (a) fd T = 0.05 ; (b) fd T = 0.1

coefficients, puisque G croit en fonction de Nc comme montré dans le tableau 3.1. Cependant,
pour des forts RSB, BM tend asymptotiquement vers EQMdés , ce qui signifie que la plus petite
BM possible va être acquise quand Nc > 2.
La figure 3.18 donne le TEB de notre algorithme, avec Nc = 2 comparé aux TEB des
méthodes classiques ou conventionnelles (LS et LMMSE avec interpolation passe-bas (IPB))
[Hsie 98] [Cole 02] [Zhao 97] et au TEB obtenu par l’algorithme SSI avec canal connu pour
fd T = 0.05 en (a) et fd T = 0.1 en (b). Comme référence, on a également tracé le TEB obtenu
avec une connaissance parfaite de canal et d’IEP. Ces résultats prouvent que, avec l’IEP inconnue,
notre algorithme a une meilleure performance que les méthodes conventionnelles. De plus, quand
on commence la suppression d’interférence notre algorithme montre une amélioration du Taux
d’Erreur Binaire après chaque itération, grâce à l’amélioration de l’estimation de l’IEP. Après
deux itérations, le TEB de notre algorithme est très proche du TEB obtenu par suppression
d’IEP avec canal connu. Pour de forts RSB, on retrouve un plancher dû surtout aux erreurs de
3.6. ALGORITHME 2 : APPROXIMATION POLYNOMIALE À PARTIR DES VALEURS MOYENNES 97

0
10
connaissance parfaite de canal et IEP
algorithme SSI avec connaissance parfaite de canal
méthode classique (LS) avec IPB
méthode classique (LMMSE) avec IPB
après une itération
après deux itérations
après trois itérations
−1
10
TEB

−2
10

−3
10
8 16 32
Np
tel-00373806, version 1 - 7 Apr 2009

Fig. 3.19 – TEB en fonction du nombre de pilotes Np , pour fd T = 0.1, Nc = 2 et RSB = 20dB

0
10

−1
10

−2
10
TEB

−3
10

−4
connaissance parfaite de canal et IEP
10 algorithme SSI avec connaissance parfaite de canal
après une itération (algo 2)
après trois itérations (algo 2)
après une itération (algo 1)
−5
après trois itérations (algo 1)
10
0 5 10 15 20 25 30 35 40
RSB

Fig. 3.20 – Comparaison entre algo 1 et algo 2 avec fd T = 0.05 et Nc = 2

décision de l’égaliseur et non à l’estimation des gains.


La figure 3.19 donne le TEB en fonction de Np pour fd T = 0.1 et RSB = 20dB. Il est
évident que lorsqu’on utilise plus de pilotes, la performance est meilleure. De plus, les résultats
montrent que, avec moins de pilotes et sans suppression d’IEP, notre algorithme a des meilleures
performances que les méthodes conventionnelles, en plus il devient meilleur en commençant la
suppression d’IEP.
La figure 3.20 donne une comparaison entre les deux algorithmes proposés pour fd T = 0.05
et Nc = 2, en terme de TEB. On observe que les performances des deux algorithmes sont presque
identiques. Ceci donne l’avantage à l’Algorithme 2 car sa complexité a été réduite par rapport à
celle de l’Algorithme 1.
Pour compléter l’étude, la figure 3.21 montre le TEB de notre algorithme (pour Nc = 2 et
fd T = 0.1), lorsqu’on utilise un codage de canal standard de la norme IEEE802.11a [Tang 05].
L’encodeur convolutif est de rendement 1/2 et de polynôme générateur P0 = 1338 et P1 = 1718 .
98 CHAPITRE 3. ALGORITHMES BASÉS SUR LES VALEURS MOYENNES

0
10
connaissance parfaite de canal et IEP
algorithme SSI avec connaissance parfaite de canal
après une itération
−1 après deux itérations
10
après trois itérations

−2
10
TEB

−3
10

−4
10

−5
10

−6
10
0 5 10 15 20 25 30 35 40
RSB
tel-00373806, version 1 - 7 Apr 2009

Fig. 3.21 – TEB avec le code convolutif de la norme IEEE802.11a pour fd T = 0.1 et Nc = 2

0
10

−1
10

−2
10
TEB

−3
10

connaissance parfaite de canal et IEP


algorithme SSI avec connaissance parfaite de canal
après trois itérations avec retards exactes
−4
10 après trois itérations avec ET = 0.01 T
s
après trois itérations avec ET = 0.05 Ts
après trois itérations avec ET = 0.1 T
s
après trois itérations avec ET = 0.2 Ts
−5
10
0 5 10 15 20 25 30 35 40
RSB

Fig. 3.22 – TEB avec connaissance imparfaite des retards pour fd T = 0.1 et Nc = 2

L’entrelaceur est un entrelaceur de bits par blocs de 16 lignes et 14 colonnes. On peut ainsi
mesurer l’amélioration significative du TEB due au codage de canal. On note que pour les forts
RSB il y a toujours un plancher d’erreur dû aux erreurs résiduelles de détection des symboles
de donnée.
Enfin, puisque nous avons supposé jusqu’à présent que les retards du canal étaient parfaite-
ment estimés, nous allons nous intéresser maintenant à la validité de cette hypothèse, et avant
à la sensibilité de notre algorithme aux erreurs d’estimation des délais.
La figure 3.22 donne le TEB après trois itérations de notre algorithme itératif, pour Nc = 2
et fd T = 0.1, avec une connaissance imparfaite des retards. ET représente l’écart type des
erreurs sur la connaissance des retards, les erreurs étant modélisées par une variable Gaussienne
centrée. On peut noter que l’algorithme n’est pas très sensible à une erreur de retard ET<
0.1Ts , représentant 10 pourcent de la période échantillon. Or en utilisant la technique ESPRIT
[Yang 01] pour estimer les retards, nous avons obtenu ET< 0.05Ts , pour toutes les valeurs
3.7. CONCLUSION ET PERSPECTIVES 99

−1
10
τ6 = 10Ts
τ4 = 3.2Ts

−2
10
ET (Écart Type) [Ts]

−3
10

−4
10
0 10 20 30 40
RSB
tel-00373806, version 1 - 7 Apr 2009

Fig. 3.23 – Erreur d’estimation des retards pour les 4-ème et 6-ème trajets en utilisant la
technique ESPRIT (la matrice de corrélation estimée est moyennée sur 1000 symboles OFDM,
i.e, 0.072sec), avec fd T = 0.1

de RSB comme montré sur la figure 3.23. En combinant ainsi la technique ESPRIT à notre
algorithme d’estimation des gains complexes, on a donc une sensibilité négligeable aux erreurs
d’estimation des retards.

3.6.7 Conclusion
Dans cette partie, on a présenté un algorithme itératif de complexité modéré pour estimer les
coefficients polynomiaux des gains complexes d’un canal à trajets multiples et supprimer ainsi
l’IEP dans un système OFDM. Les variations temporelles modérées des gains complexes ont
été obtenues en exploitant l’invariance des retards des trajets (sur plusieurs symboles OFDM),
supposés parfaitement estimés. Le bien fondé de cette hypothèse a été vérifiée par simulation.
L’analyse théorique et les résultats de simulation de notre algorithme montrent que, en estimant
et en supprimant l’IEP à chaque itération, l’estimation des gains et la démodulation cohérente
apportent une amélioration significative pour des vitesses relativement élevées (particulièrement
après la première itération). De plus, cet algorithme (Algorithme 2) présente quasiment les
mêmes performances que l’Algorithme 1, avec un avantage au niveau de la complexité.

3.7 Conclusion et perspectives


Dans ce chapitre, nous avons développé deux algorithmes itératifs d’estimation des variations
temporelles des gains complexes pour un canal de type Rayleigh, et de suppression d’IEP. Ces
deux algorithmes sont basés sur les valeurs moyennes des gains complexes qui sont estimées par
un estimateur LS, et ils utilisent la méthode SSI pour estimer les symboles de données. Le premier
algorithme proposé dans [Hija 07c], puis analysé dans [Hija 07b] [Hija 07a] [Hija 09d] utilise le
fait que la valeur moyenne d’un processus de Rayleigh sur une durée T est extrêmement proche
de la valeur centrale (en T /2) pour les vitesses modérées considérées. Ainsi, on interpole dans
le domaine temporel par une interpolation passe-bas (IPB) classique. Le deuxième algorithme
(proposé et analysé dans [Hija 09c] [Hija 08d]) fait une approximation polynomiale pour les
variations temporelles des gains complexes sur un bloc de quelques symboles OFDM. Il calcule
100 CHAPITRE 3. ALGORITHMES BASÉS SUR LES VALEURS MOYENNES

les coefficients des polynômes à partir seulement des valeurs moyennes estimées sur les symboles
successifs du bloc. L’analyse théorique et les résultats des simulations de ces deux algorithmes ont
montré de bonnes performances pour des récepteurs à vitesses modérées (i.e., fd T ≤ 0.1). Bien
qu’ils aient à peu près les mêmes performances, le deuxième algorithme est plus avantageux
en terme de complexité. De plus, on a testé la sensibilité du deuxième algorithme pour des
connaissances imparfaites des retards et on a trouvé, qu’en combinant la technique ESPRIT
avec l’algorithme, cette sensibilité est très faible. En conclusion, on peut dire que les deux
algorithmes proposés dans ce chapitre ont bien remplis leurs rôles pour les scénarios de vitesse
visée, comme l’ont montré les résultats de simulation. Ils donnent des extensions intéressantes
aux méthodes plus conventionnelles, avec une bonne amélioration des performances à la clef.
On peut citer néanmoins quelques perspectives d’amélioration, qui pourraient se faire évi-
demment au prix d’une augmentation de la complexité. On peut noter que les performances en
TEB pourraient être encore améliorées en associant l’algorithme proposé pour l’estimation de
canal avec un égaliseur meilleur que l’égaliseur SSI (Suppression Successive d’Interférence). En
effet, nous avons vu que les performances en EQM sur l’estimation de canal restent bonnes tant
que fd T ≤ 0.1, mais que ce sont les erreurs résiduelles de décision qui limitent les performances
tel-00373806, version 1 - 7 Apr 2009

en TEB (quasiment celles de l’égaliseur SSI avec canal connu). Donc une première perspective
d’amélioration pourrait être de trouver un égaliseur plus adéquat ou performant que l’égaliseur
SSI. Nous avons vu aussi que pour les vitesses considérées, le facteur limitatif des performances
d’estimation de canal provenait finalement surtout de la phase d’estimation LS des moyennes sur
chaque symbole courant, plutôt que de la phase d’interpolation (passe-bas ou polynomiale). Une
amélioration possible réside alors dans la possibilité d’utiliser les symboles voisins pour estimer
la moyenne du symbole courant, comme le laissait pré-supposer l’étude des bornes du chapitre
II. Enfin, il est clair également que pour des vitesses d’évolution du canal bien supérieures, on
ne pourra plus se contenter d’algorithmes basés simplement sur les moyennes pour l’estimation
des gains. Le problème devra être repris dans son ensemble, à partir du signal complet observé.
Dans le chapitre suivant, nous allons nous intéresser aux cas de très fortes variations du
canal en prenant en compte les perspectives précédemment citées. Nous allons proposer un
autre algorithme qui résoud le problème d’estimation des gains complexes avec un étalement
Doppler élevé (i.e., fd T > 0.1).
Chapitre 4

Algorithme Basé sur le Filtre de


Kalman et la Décomposition QR
tel-00373806, version 1 - 7 Apr 2009

Sommaire
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
4.2 Modèle Autorégressif (AR) et filtre de Kalman . . . . . . . . . . . . 103
4.2.1 Modèle AR des coefficients polynomiaux c(n) . . . . . . . . . . . . . . . 103
4.2.2 Filtre de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.3 Détection QR des symboles de données . . . . . . . . . . . . . . . . . 106
4.4 Estimation et détection conjointe . . . . . . . . . . . . . . . . . . . . . 107
4.4.1 Algorithme itératif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.4.2 Complexité de l’algorithme . . . . . . . . . . . . . . . . . . . . . . . . . 108
4.4.3 Analyse de l’erreur quadratique moyenne (EQM) . . . . . . . . . . . . . 109
4.5 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

101
102 CHAPITRE 4. ALGORITHME BASÉ SUR LE FILTRE DE KALMAN ET LA DÉCOMPOSITION QR

4.1 Introduction

Les deux algorithmes qui ont été présentés dans le chapitre précédent estiment les variations
temporelles des gains complexes en utilisant les valeurs moyennes estimées. Ces valeurs moyennes
sont estimées séparément par un estimateur LS durant chaque symbole OFDM (i.e., la taille
du bloc d’observation est K = 1). Comme cela a été montré dans le deuxième chapitre, une
meilleure estimation peut être obtenue en utilisant les symboles OFDM précédents (i.e., K > 1)
au lieu d’utiliser seulement le symbole courant dans le processus d’estimation du canal. Un fil-
trage de Wiener permettrait de traiter toutes les informations précédentes pour réaliser chaque
estimation. Mais en pratique on préfère les approches récursives, qui permettent une estimation
séquentielle au fur à mesure que les nouvelles observations sont disponibles. Ainsi, un estima-
teur séquentiel LS ou MMSE fournit une nouvelle estimée à partir de l’estimée précédente et
d’une correction basée sur la nouvelle observation. Lorsque l’on dispose d’un modèle dynamique
des paramètres à estimer, il existe une généralisation de l’estimateur MMSE séquentiel, c’est
le filtre de Kalman [Bros 97][Kay 93]. Il permet d’estimer l’état courant du système, à partir
seulement de l’état précédent et de l’observation actuelle. L’estimateur récursif obtenu par le
tel-00373806, version 1 - 7 Apr 2009

filtre de Kalman est optimal (au sens de l’EQM) dans le « cas linéaire Gaussien ». Dans le cas
d’un canal de Rayleigh, on sait [Kay 93] que l’on peut construire un modèle dynamique approché
d’évolution des gains complexes. Nous proposons alors une approximation linéaire basée sur une
modélisation polynomiale d’ordre adéquat des gains complexes des trajets. Cela nous permettra
d’estimer à l’aide d’un filtre de Kalman, non pas directement les gains complexes au pas Ts ,
mais seulement les coefficients des polynômes au pas T = v.Ts . Notons que dans la littérature,
les méthodes d’estimation de canal en OFDM à base de filtres de Kalman ne prennent pas en
compte généralement la variation à l’intérieur d’un symbole [Chen 04]. Plus récemment pour
des variations rapides, [Bane 07] a proposé une méthode à l’aide d’un filtre de Kalman pour
l’estimation des coefficients du développement sur une base de fonction (BEM) du canal discret
équivalent.

Dans ce chapitre, nous allons ainsi proposer un nouvel algorithme itératif pour l’estimation
conjointe des variations temporelles des gains complexes et des symboles de données. Cet algo-
rithme estime les variations temporelles des gains complexes en exploitant (récursivement) tous
les symboles OFDM précédents. Il traite le cas d’un canal de Rayleigh à très fortes variations
(i.e., fd T > 0.1) en supposant toujours que les retards sont fixes et connus. Par contre, on testera
la sensibilité de cet algorithme aux erreurs d’estimation des retards. Suite à l’étude faite dans
le deuxième chapitre, la variation temporelle à l’intérieur d’un symbole OFDM de chaque gain
complexe gain est modélisée par un polynôme de Nc coefficients. Ceci permet de se ramener à
un modèle d’observation linéaire, tant que l’ordre du polynôme est choisi de manière adéquate,
comme montré dans le chapitre 2. En se basant sur un processus de Jakes, un modèle autoré-
gressif (AR) des coefficients polynomiaux est construit, ce qui permet d’estimer les coefficients
en utilisant un filtre de Kalman. Ainsi, la matrice du canal pourra facilement être construite,
comme montré dans le troisième chapitre. Afin d’améliorer la performance de l’estimateur des
coefficients polynomiaux, la matrice de canal estimée est utilisée pour récupérer les symboles de
données. On peut, ensuite, utiliser les données d’information estimées (et non pas seulement les
pilotes) pour améliorer l’estimation des coefficients, ce qui donne lieu à une technique itérative
permettant la récupération des gains complexes et des symboles de données. Nous proposons ici
de réaliser la détection des symboles de données à partir d’une décomposition QR de la matrice
du canal. Grâce à cette décomposition, l’ « égaliseur QR » obtenu peut estimer les symboles
de données quasiment sans interférence résiduelle. Nous verrons que cet égaliseur QR est plus
4.2. MODÈLE AUTORÉGRESSIF (AR) ET FILTRE DE KALMAN 103

adéquat et plus performant que l’égaliseur SSI. Nous allons également voir que l’algorithme dans
son ensemble répond bien aux scénarios à étalement Doppler très élevé (i.e., fd T > 0.1).

4.2 Modèle Autorégressif (AR) et filtre de Kalman


D’après l’étude faite dans le deuxième chapitre (section 2.2), pour un étalement Doppler
fd T ≤ 0.5, la variation temporelle (à l’intérieur d’un symbole OFDM) de chaque gain complexe
(n)  (n) (n) T
de type Rayleigh αl = αl (−Ng Ts ), ..., αl (N − 1)Ts est extrêmement bien modélisée
(n)  (n) (n) T
par un polynôme de Nc ≤ 5 coefficients cl = c1,l , ..., cNc ,l (i.e., de degré (Nc − 1)). D’où,
en négligeant l’erreur due à l’approximation polynomiale ǫ(n) , le modèle d’observation (pour le
n-ème symbole OFDM) donné par (2.1) et (2.10) devient comme suit :

y(n) = K(n) c(n) + w(n) (4.1)

(n) T (n) T
où c(n) = [c1 , ..., cL ]T contient les coefficients polynomiaux des différents trajets pour le
tel-00373806, version 1 - 7 Apr 2009

symbole OFDM courant, et w(n) est le vecteur de bruit additif Gaussien. Et nous rappelons que
K(n) est une matrice de taille N × LNc donnée par (2.11), et construite à partir des symboles
de données et des retards des trajets.

Cette modélisation polynomiale (durant chaque symbole OFDM) est plus adéquate que celle
du deuxième algorithme (sur Nc symboles OFDM, voir section 3.6) pour de fortes variations
du canal. La matrice de canal (voir équation (3.2)) pour le n-ème symbole OFDM peut être
construite simplement à partir des coefficients des polynômes comme suit (voir le calcul détaillé
dans l’annexe C) :
Nc
1 X (n)
H(n) = Md diag{Fχd } (4.2)
N
d=1

(n)  (n) (n) T


où χd = cd,1 , ..., cd,L , F est la matrice de TF de taille N × L donnée par (1.30) et Md est
la matrice de taille N × N donnée par (2.13). Cette construction de la matrice du canal sera
utilisée dans l’algorithme itératif.

Nous avons besoin maintenant de construire un modèle d’évolution dynamique des coefficients
c(n) ,
afin de pouvoir les estimer par filtrage de Kalman.

4.2.1 Modèle AR des coefficients polynomiaux c(n)


(n)
D’après la section 2.2, les coefficients cl sont des variables complexes stationnaires Gaus-
(s)
siennes centrés et corrélés de matrice de corrélation Rcl donnée par (2.9). Par conséquent,
(n)
l’évolution dynamique de cl peut être modélisée par un processus autorégressif (AR) [Badd 05]
[Ande 79]. Un processus AR complexe d’ordre p peut être généré comme suit :
p
(n) (i) (n−i) (n)
X
cl = − Al cl + ul (4.3)
i=1

(1) (p) (n)


où Al , ..., Al sont des matrices de tailles Nc × Nc et ul est un vecteur complexe Gaussien
(1) (p)
de taille Nc × 1 et de matrice de covariance Ul . Les matrices suivantes Al , ..., Al et Ul sont
104 CHAPITRE 4. ALGORITHME BASÉ SUR LE FILTRE DE KALMAN ET LA DÉCOMPOSITION QR

les paramètres du modèle AR, obtenus par la résolution des équations de Yule-Walker [Badd 05]
qui sont définies par :

Tl Al = −Vl (4.4)
p
(0) (i) (−i)
X
Ul = Rcl + Al Rcl (4.5)
i=1

(1) T (p) T (1) T (p) T


où Al = [Al , ..., Al ]T et Vl = [Rcl , ..., Rcl ]T sont des matrices de tailles pNc × Nc et
Tl est une matrice de corrélation de taille pNc × pNc définie par :
 (0) (−p+1) 
Rcl ··· Rcl
Tl = 
 .. .. .. 
(4.6)
. . . 
(p−1) (0)
Rcl ··· Rcl

(n) T (n) T T
tel-00373806, version 1 - 7 Apr 2009

En utilisant l’équation (4.3), on obtient le modèle AR d’ordre p de c(n) = [c1 , ..., cL ]


comme suit :
p
X
c(n) = − A(i) c(n−i) + u(n) (4.7)
i=1

(n) T (n) T
n o
(i) (i)
où A(i) = blkdiag A1 , ..., AL est une matrice de taille LNc ×LNc , et u(n) = [u1 , ..., uL ]T
est un vecteur complexe Gaussien de taille LNc ×1 et de matrice de covariance U = blkdiag {U1 , ..., UL }.

4.2.2 Filtre de Kalman


En se basant sur le modèle AR construit en (4.7), on définit l’ état du modèle pour le système
OFDM par g(n) = [cT(n) , ..., cT(n−p+1) ]T . Ainsi, en utilisant les équations (4.7) et (4.1), on obtient :

g(n) = S1 g(n−1) + S2 u(n) (4.8)


y(n) = S3 g(n) + w(n) (4.9)

où S2 = [ILNc , 0LNc ,(p−1)LNc ]T est une matrice de taille pLNc ×LNc , S3 = [K(n) , 0N,(p−1)LNc ] est
une matrice de mesure de taille N × pLNc et S1 une matrice de transition de taille pLNc × pLNc
définie par :
 
−A(1) −A(2) −A(3) · · · −A(p)
 ILN 0LNc 0LNc ··· 0LNc 
 c 
 0LN ILNc 0LNc ··· 0LNc 
S1 =  c  (4.10)
 .. .. .. .. .. 
 . . . . . 
0LNc ··· 0LNc ILNc 0LNc

Notons que les deux équations (4.8) et (4.9) représentent respectivement l’équation d’état et
l’équation de mesure ou d’observation pour notre système OFDM. Ces deux équations nous per-
mettent d’appliquer le filtre de Kalman [Bros 97] pour poursuivre adaptativement les coefficients
des polynômes c(n) . Le filtre de Kalman est un système dynamique. Il utilise une prédiction qui
s’appuie sur le modèle déterministe et un recalage qui s’appuie sur l’innovation (différence entre
la mesure et la sortie prédite).
4.2. MODÈLE AUTORÉGRESSIF (AR) ET FILTRE DE KALMAN 105

Soit ĝ(n|n−1) l’état prédit à l’instant n connaissant toutes les mesures jusqu’a l’instant (n−1),
auquel on associe la matrice de covariance de l’erreur de prédiction notée P(n|n−1) (matrice à
priori). Et soit ĝ(n|n) l’état estimé connaissant la mesure à l’instant n (après le recalage), auquel
on associe la matrice de covariance de l’erreur d’estimation notée P(n|n) (matrice à posteriori ).
Ces deux matrices P(n|n−1) et P(n|n) sont de tailles pLNc × pLNc . Le filtre de Kalman est un
algorithme récursif composé de deux phases distinctes : Prédiction (“Time Update Equations”)
et Mise à Jour (“Measurement Update Equations”). Ces deux phases sont définies par :

Prédiction (“Time Update Equations”) :


ĝ(n|n−1) = S1 ĝ(n−1|n−1)
P(n|n−1) = S1 P(n−1|n−1) SH H
1 + S2 US2 (4.11)

Mise à Jour (“Measurement Update Equations”) :


2
−1
K(n) = P(n|n−1) SH H
3 S3 P(n|n−1) S3 + σ IN
tel-00373806, version 1 - 7 Apr 2009


ĝ(n|n) = ĝ(n|n−1) + K(n) y(n) − S3 ĝ(n|n−1)
P(n|n) = P(n|n−1) − K(n) S3 P(n|n−1) (4.12)
où K(n) est le gain de Kalman. La phase de prédiction utilise l’état estimé à l’instant précédent
pour produire une estimation de l’état courant. Dans la phase de mise à jour, l’observation de
l’instant courant est utilisée pour corriger l’état prédit dans le but d’obtenir une estimation plus
précise. Bien entendu, il faut initialiser ce filtre au travers de ĝ(0|0) et de P(0|0) . On choisit les
initialisations suivantes :
ĝ(0|0) = 0pLNc ,1 (4.13)
(s′ −s)
P(0|0) [t(l,s),t(l,s′ )] = Rcl pour l∈[1,L] s,s′ ∈[0,p−1] (4.14)
(s)
où t(l, s) = 1 + (l − 1)Nc + sLNc : lNc + sLNc , et Rcl est la matrice de corrélation de cl (n)
(s)
définie par (2.9). Notons qu’il y a des matrices de zéros entre les blocs Rcl car les L différents
gains complexes sont non corrélés. Par exemple, pour K = L = 2, la matrice P(0|0) est donnée
par :
 (0) (1) 
Rc1 0Nc Rc1 0Nc
(0) (1) 
 0Nc Rc2 0Nc Rc2 

P(0|0) =  (−1) (0)  (4.15)
 Rc1 0Nc Rc1 0Nc 
(−1) (0)
0Nc Rc2 0Nc Rc2
Cas où p = 1 :
(n)
Notons que, pour un modèle AR d’ordre p = 1, l’évolution dynamique de cl devient comme
suit :
(n) (1) (n−1) (n)
cl = −Al cl + ul (4.16)
(1)
où les paramètres du modèle AR, Al et Ul , sont obtenus à partir des équations de Yule-Walker
comme suit :
(0) −1 (1)
 
(1)
Al = − Rcl Rcl (4.17)
(0) (1) (−1)
Ul = Rcl + Al Rcl (4.18)
106 CHAPITRE 4. ALGORITHME BASÉ SUR LE FILTRE DE KALMAN ET LA DÉCOMPOSITION QR

De plus, les équations d’état et d’observation, (4.8) et (4.9), deviennent comme suit :

c(n) = −A(1) c(n−1) + u(n) (4.19)


y(n) = K(n) c(n) + w(n) (4.20)

Par conséquent, les équations de prédiction et mise à jour du filtre de Kalman, (4.11) et (4.12),
sont obtenus pour S1 = −A(1) , S2 = ILNc et S3 = K(n) , avec ĝ(n|n) = ĉ(n|n) . Ainsi, le filtre sera
initialisé par :

ĝ(0|0) = 0LNc ,1 (4.21)


n o
(0) (0)
P(0|0) = blkdiag Rc1 , ..., RcL (4.22)

4.3 Détection QR des symboles de données


La détection QR nous permet, pour un canal connu (ou parfaitement estimé) d’estimer les
tel-00373806, version 1 - 7 Apr 2009

symboles de données quasiment sans présence d’interférence. Il utilise la décomposition QR


[Fran 61] d’une matrice en deux matrices, l’une orthogonale et l’autre triangulaire supérieure.
En appliquant cette décomposition sur la matrice du canal H(n) , on obtient donc :

H(n) = Q(n) R(n) (4.23)

où Q(n) est la matrice orthogonale de taille N × N (i.e., QH (n) Q(n) = IN ) et R(n) la matrice
triangulaire supérieure de taille N × N . Ainsi, en multipliant le signal après TFD, y(n) , dans
l’équation d’observation (1.44), par la matrice QH(n) , on peut écrire :

y′(n) = QH
(n) y(n)
= R(n) x(n) + QH
(n) w(n) (4.24)

Notons que les deux vecteurs de bruits w(n) et QH (n) w(n) ont la même matrice de covariance
2
σ IN , car Q(n) est une matrice orthogonale. Donc la première phase de transformation opérée
sur le signal reçu par l’égaliseur QR n’amplifie pas le bruit.
La deuxième phase de l’égaliseur QR consiste à calculer itérativement (ou successivement) les
symboles de données estimés. Grâce à la forme triangulaire supérieure
 de R(n) , l’estimation suc-
cessive des symboles de données estimés est réalisée selon l’ordre [x(n) ]N , [x(n) ]N −1 , ..., [x(n) ]1
(i.e., du dernier symbole au premier symbole) de la manière suivante :
N
X
 ′     
y(n) k − R(n) k,m x̂(n) m
  m=k+1
x̃(n) k
=   (4.25)
R(n) k,k
    
x̂(n) k
= O x̃(n) k
(4.26)

où O(.) est une opération de décision convenant à la constellation utilisée.


On note que si le canal est connu (ou parfaitement estimé), le premier symbole est estimé en
présence d’aucune interférence. Pour les symboles qui suivent, l’estimation se fait en supprimant
l’interférence due aux symboles précédemment estimés. Cela correspond à une suppression suc-
cessive d’interférence (SSI), à la différence qu’il n’y a pas d’interférence au début du processus
(grâce à la transformation Q préliminaire).
4.4. ESTIMATION ET DÉTECTION CONJOINTE 107

0
10
égaliseur QR avec connaissance parfaite de canal
égaliseur SSI avec connaissance parfaite de canal

−1
10

−2
10
TEB

−3
10

−4
10

−5
10
0 5 10 15 20 25 30 35 40
RSB
tel-00373806, version 1 - 7 Apr 2009

Fig. 4.1 – Comparaison entre l’égaliseur QR et l’égaliseur SSI, avec fd T = 0.1 et (Lf = 4 et
N = 128)

La figure 4.1 donne les TEB des égaliseurs QR et SSI pour une connaissance parfaite de
la matrice de canal avec fd T = 0.1 et Lf = 4. On remarque que, pour des faibles RSB, les
TEB sont égaux car le bruit est dominant par rapport au niveau de l’IEP. Par contre, dans
les régions de fort et modéré RSB, l’égaliseur QR a une meilleure performance que l’égaliseur
SSI. En effet, avec la méthode de décomposition QR, l’IEP est quasiment supprimée (R(n)
matrice triangulaire supérieure). Ceci n’était pas le cas avec le détecteur SSI, qui devait réaliser
les premières estimations de symbole en présence de toute l’interférence due aux symboles non
encore estimés. Pour le détecteur SSI, seuls les derniers symboles peuvent être estimés en ayant
retiré quasiment toute l’interférence (si il n’y a pas eu d’erreur de décision sur les symboles
précédemment décidés ...).
Évidemment, dans la réalité le canal n’est pas parfaitement connu, ce qui peut nuancer un
peu l’intérêt de l’égaliseur QR par rapport à l’égaliseur SSI. Mais néanmoins, nous avions vu
déjà dans le chapitre 3 que ce sont davantage les erreurs de décision plutôt que la qualité de
l’estimateur de canal qui limitaient les performances globales de l’algorithme conjoint.

4.4 Estimation et détection conjointe

4.4.1 Algorithme itératif

L’algorithme itératif réalise conjointement l’estimation des gains complexes par filtrage de
Kalman et la détection QR des données. Il utilise Np symboles pilotes de type peigne réguliè-
rement espacés entre les symboles de données aux positions P = {pr | pr = (r − 1)Lf + 1, r =
1, ..., Np }, avec Lf la distance en terme de nombre de sous-porteuses entre deux symboles pilotes
consécutifs dans le domaine fréquentiel. L’algorithme itératif s’exécute comme suit, pour chaque
nouveau symbole OFDM :
108 CHAPITRE 4. ALGORITHME BASÉ SUR LE FILTRE DE KALMAN ET LA DÉCOMPOSITION QR

initialisation :
ĝ(0|0) = 0pLNc ,1

calcul de P(0|0) selon (4.14)

n←n+1

exécution des équations de prédiction du filtre de Kalman selon (4.11)

calcul de la matrice du canal selon (4.2)

i←1
tel-00373806, version 1 - 7 Apr 2009

itération :
1) suppression de l’IEP due aux pilotes dans les données reçues

2) détection QR des symboles de données (4.23) (4.24) (4.25) (4.26)

3) exécution des équations de mise à jour du filtre de Kalman (4.12)

4) calcul de la matrice du canal selon (4.2)

5) i ← i + 1

où i représente le nombre d’itérations. Il faut noter que la détection QR dans l’étape 2 est
exécutée avec les symboles de données reçus yd(n) , après avoir retiré la contribution des symboles
pilotes, donnés par (3.17).

4.4.2 Complexité de l’algorithme

L’objectif de cette section est de déterminer la complexité d’implémentation en terme de


nombre de multiplications nécessaires pour notre algorithme. Les matrices F et Md sont pré-
calculées et stockées si les retards sont invariants pour un grand nombre de symboles
 OFDM. Le
coût calculatoire pour la formation de la matrice K(n) est N L N (Nc − 1) + 1 et pour la matrice
H(n) , il est de N Nc (N + L) − N 2 , car N1 M1 = IN . La complexité de suppression de l’IEP dans
l’étape 1 est Np Nd , et la complexité de la décomposition QR et de la détection QR des données
dans l’étape 2 sont respectivement 23 Nd3 + Nd2 + 37 Nd2 et 21 Nd (Nd + 1), avec Nd = N − Np . La
complexité des étapes de prédiction et de mise à jour du filtre de Kalman sont respectivement
pLNc2 + 2(pLNc )2 et N LNc (p + 1)(N + LNc + 1) + N (pLNc )2 + 2N 2 (N − 1) + N , car S1 et S3
sont des matrices creuses. En pratique, p, L et Nc sont beaucoup plus petits que N , ainsi, la
complexité de notre algorithme est O(N 3 ) (de l’ordre de N 3 ). En conclusion, cet algorithme est
seulement un peu plus complexe que le premier algorithme mais il est bien plus complexe que
le deuxième algorithme présentés dans le chapitre III.
4.5. SIMULATION 109

4.4.3 Analyse de l’erreur quadratique moyenne (EQM)


(n)
L’erreur entre le l-ème vecteur de gain complexe exact et le l-ème polynôme estimé α̂pol est
l
donnée par :
(n) (n) (n) (n) (n)
el = αl − α̂pol = ξl + QT ecl (4.27)
l

(n) (n) (n) (n)


où ecl = cl − ĉl , ξl est l’erreur de la modélisation polynomiale définie dans la section 2.2,
et Q est une matrice de taille Nc × v donnée par (2.5). En négligeant les termes croisés entre
(n) (n) (n) (n)
ξl et ecl , l’erreur quadratique moyenne (EQM) entre αl et α̂pol est donnée par :
l

1  (n) H (n) 
EQMl = E el el
v
1
= MMSEl + Tr QT EQMcl Q

(4.28)
v
 (n) (n) H 
tel-00373806, version 1 - 7 Apr 2009

avec EQMcl = E ecl ecl . Notons que, à la convergence du filtre de Kalman, on a pour des
symboles de données parfaitement estimés (i.e., data-aided (DA)) :

EQMcl = P(n|n) [t(l,0),t(l,0)] (4.29)

La Borne de Cramér-Rao Bayesienne (BCRB) en-ligne est un critère important pour évaluer
la qualité de l’estimation des gains complexes par un filtre de Kalman. Dans la section 2.3.2.1,
on a dérivé l’expression de la BCRB en-ligne, pour les contextes DA et NDA, associée à l’esti-
mation des gains complexes «variants» durant un symbole OFDM. Cette BCRB en-ligne pour
(n)
l’estimation de αl , dans le contexte DA, est donnée par (voir (2.24) et (2.27)) :

(∞) (0) 1  (∞)



BCRB(αl )en−ligne = MMSEl + Tr QT BCRB(cl )Q (4.30)
v
(0)
où MMSEl est l’erreur quadratique moyenne minimale de la modélisation polynomiale donnée
(K) (K)
par (2.6) et BCRB(cl ) est la BCRB en-ligne associée à l’estimation de cl donnée par :
(K)
BCRB(cl ) = BCRB(c)[t(l,0),t(l,0)] (4.31)

où la séquence d’indices t(l, s) est définie par (4.13) et BCRB(c) est la BCRB associée à
l’estimation de c = [c(K) T , ..., c(1) T ]T donnée par :
 −1
blkdiag J(K) , ..., J(2) , J(1) + R−1

BCRB(c) = c (4.32)

où la matrice Rc est calculée de la même manière que P(0|0) avec s, s′ ∈ [0, K − 1] et J(n) définie
par (2.50). Comme montré dans le deuxième chapitre, lorsque la taille du bloc d’observation K
(K) (∞)
croı̂t, BCRB(cl ) décroı̂t et converge vers une asymptote BCRB(cl ).

4.5 Simulation
Dans cette section, on vérifie la théorie par la simulation et on teste les performances de notre
algorithme itératif. Le TEB est évalué pour un canal à variations temporelles rapides telles que
fd T = 0.1, fd T = 0.2 et fd T = 0.3, ce qui correspondrait respectivement à des vitesses de
110 CHAPITRE 4. ALGORITHME BASÉ SUR LE FILTRE DE KALMAN ET LA DÉCOMPOSITION QR

−2
10
f T = 0.1
d
fdT = 0.2
f T = 0.3
d
EQM

−3
10

−4
10
1 2 3 4 5
p
tel-00373806, version 1 - 7 Apr 2009

Fig. 4.2 – EQM pour Nc = 2 et RSB = 20dB vs l’ordre du modèle AR

(1)
(fd T , Nc ) −Al
 
1 144 20734
(0.01, 3)  2.10−10 0.99 288 
−2.10 −11 −10 −5 0.99

 
0.99 143 20579
(0.1, 3)  2.10−6 0.96 286 
−2.10 −7 −10 −3 0.69

 
0.99 135 19360
(0.3, 3) −6.10−5 0.574 240.8 
−10 −5 −0.0061 −0.973

(1)
Tab. 4.1 – Le paramètre −Al du modèle AR pour une taille de v = 144 échantillons

véhicule Vm = 140km/h, Vm = 280km/h et Vm = 420km/h pour f0 = 10GHz. On considère


toujours un canal normalisé de type Rayleigh avec L = 6 trajets et un système OFDM normalisé
à modulation 4-QAM avec les mêmes paramètres que pour les deux premiers algorithmes.

La figure 4.2 donne l’évolution de l’EQM de l’estimation des gains complexes, dans un
contexte DA, en fonction de l’ordre p du modèle AR pour différentes valeurs de fd T avec
RSB = 20dB et Nc = 2. On observe que l’on a seulement une amélioration minime quand
l’ordre p croı̂t. Par conséquent, dans la suite, afin de diminuer la complexité du filtre de Kal-
man, on choisit un modèle AR d’ordre p = 1.
4.5. SIMULATION 111

(1)
Nc −Al

1 v v2
 

3 0 1 2v 
0 0 1

(1)
Tab. 4.2 – Le paramètre −Al pour une série de Taylor


(n) (n−1) (n−1) (n−1)


 c1,l = c1,l + v.c2,l + v 2 .c3,l




(n) (n−1) (n−1)
c2,l = c2,l + 2v.c3,l (4.33)




 c(n) = (n−1)

c3,l

3,l
tel-00373806, version 1 - 7 Apr 2009

(1)
Dans le tableau 4.1, on donne le paramètre −Al du modèle AR pour Nc = 3, v = 144 (i.e,
v = N + Ng le nombre d’échantillons par symbole OFDM) et différentes valeurs de fd T . On
(1)
remarque que, pour un faible étalement Doppler fd T = 0.01, −Al est une matrice triangulaire
supérieure avec des 1 sur la diagonale principale, et des valeurs caractéristiques sur la première
ligne (proches de v et de v 2 ). Ceci peut s’interpréter en remarquant que ces coefficients sont très
proches de ceux obtenus théoriquement par un développement en série de Taylor du troisième
ordre (i.e. avec une dérivée seconde constante, et les dérivées d’ordre supérieur nulles), donnés
par le tableau 4.2 et l’équation associé (4.33). Mais quand fd T croı̂t, on s’éloigne de plus en plus
(1)
de ces caractéristiques particulières. −Al reste à peu près une matrice triangulaire supérieure,
mais sans avoir des 1 sur la diagonale principale (hormis le premier élément). Ceci est naturel car
pour un étalement Doppler élevé, la concavité du gain complexe change d’un symbole OFDM à
l’autre tandis qu’elle est invariante pour des faibles fd T . Ceci est bien observé sur la figure 4.4 où
les variations sont très rapides (fd T = 0.3), et où la courbure s’inverse quasiment d’un symbole
à l’autre (ce qui confirme l’ordre de grandeur −0.973 du dernier coefficient de la diagonale du
tableau 4.1).
La figure 4.3 illustre l’évolution de l’EQM en fonction du RSB, avec la progression du nombre
d’itérations, pour fd T = 0.3, Nc = 3 et Lf = 4. On constate que, dans le contexte DA, l’EQM
obtenue par simulation s’accorde avec la valeur théorique donnée par (4.29). La figure 4.3 montre
également que l’EQM avec DA est proche de la BCRB 1 en-ligne (BCRB minimale calculée avec
des séquences de données de type MLS à 13 registres de décalage, voir figure 2.13). Cela signifie
que le filtre de Kalman fonctionne très bien. Après quatre et dix itérations, une grande amélio-
ration est réalisée et il est remarquable que l’EQM obtenue est quasiment celle obtenue avec des
données connues (DA). Pour illustration, la figure 4.4 donne les parties reélle et imaginaire du
gain complexe estimé avec DA et du gain complexe estimé avec pilotes (après dix itérations) du
deuxième trajets. Ceci est obtenu pour une réalisation du canal sur 10 symboles OFDM avec
RSB = 20dB, fd T = 0.3, Nc = 3 et Lf = 4. On peut vérifier que l’on a une bonne estimation,
malgré la rapidité du canal.
La figure 4.5 donne le TEB de notre algorithme pour fd T = 0.2 en (a) et fd T = 0.3 en (b)
avec Nc = 3 coefficients par polynôme et une distance inter-porteuse pilotes Lf = 4, comparé
1
la vraie BCRB en-ligne désirée est calculée en utilisant les vraies séquences de données transmises. Cette
borne et l’EQM avec DA seront presque égales.
112 CHAPITRE 4. ALGORITHME BASÉ SUR LE FILTRE DE KALMAN ET LA DÉCOMPOSITION QR

0
10
EQM (simu) après une itération
EQM (simu) après deux itérations
EQM (simu) après trois itérations
EQM (simu) après quatre itérations
−1 EQM (simu) après dix itérations
10
EQM (simu) avec DA
EQM (théorique) avec DA
BCRB(α∞) en−ligne

−2
10
EQM

−3
10

−4
10

−5
10
0 5 10 15 20 25 30 35 40
RSB
tel-00373806, version 1 - 7 Apr 2009

Fig. 4.3 – EQM pour Nc = 3, fd T = 0.3 et Lf = 4

Partie Réelle du Gain Complexe Partie Imaginaire du Gain Complexe


0.8 0.8

0.6
0.6

0.4
0.4

0.2
0.2

0
−0.2

−0.2
−0.4

−0.4
exact −0.6 exact
avec DA avec DA
après dix itérations après dix itérations
−0.6 −0.8
0 288 576 864 1152 1440 0 288 576 864 1152 1440

Fig. 4.4 – Gain complexe estimé du deuxième trajet sur 10 symboles OFDM, avec fd T = 0.3,
Nc = 3 et RSB = 20dB

aux TEB du premier et deuxième algorithmes. Comme référence, on a également tracé le TEB
obtenu avec une connaissance parfaite du canal et de l’IEP. Ces résultats prouvent que notre
algorithme a une meilleure performance que le premier et le deuxième algorithmes. Après huit
itérations, une grande amélioration est réalisée, le TEB de notre algorithme et le TEB obtenu
avec une connaissance parfaite du canal et de l’IEP sont très proches. Pour de forts RSB, on a
un plancher qui est dû surtout aux erreurs de décision de l’égaliseur, et non à l’estimation des
gains.
On étudie maintenant l’EQM et le TEB en fonction de fd T = 0.1, 0.2 et 0.3 (étalement
Doppler très élevé). Il faut bien noter qu’il suffit d’utiliser Nc = 2 pour fd T = 0.1 et Nc = 3
pour fd T = 0.2 et 0.3, en accord avec l’étude du chapitre 2. À partir de la figure 4.6 (a),
il est clair que l’on a une amélioration avec le nombre d’itérations, surtout pour les fortes
valeurs de fd T . Ceci signifie que le nombre d’itérations nécessaire (afin que l’algorithme converge)
4.5. SIMULATION 113

0
10

−1
10

−2
10
TEB

−3
10
prédiction
après une itération
après deux itérations
−4 après trois itérations
10
après huit itérations
connaisance parfaite de canal et IEP
Algo 2 après trois itérations
−5
Algo 1 après trois itérations
10
0 5 10 15 20 25 30 35 40
RSB
tel-00373806, version 1 - 7 Apr 2009

(a)
0
10

−1
10

−2
10
TEB

−3
10
prédiction
après une itération
après deux itérations
après trois itérations
−4
10 après quatre itérations
après dix itérations
connaisance parfaite de canal et IEP
Algo 2 après trois itérations
−5
Algo 1 après trois itérations
10
0 5 10 15 20 25 30 35 40
RSB

(b)

Fig. 4.5 – TEB, Lf = 4 : (a) fd T = 0.2 ; (b) fd T = 0.3

augmente avec l’étalement Doppler. La figure 4.6 donne également le TEB en fonction de fd T
dans (b) pour Lf = 8 et 4. Il est évident que lorsqu’ on utilise plus de pilotes, la performance
est meilleure. De plus, les résultats montrent que, avec moins de pilotes, cet algorithme a de
meilleures performances que le premier et le deuxième algorithmes. Mais de toutes manières,
on peut vérifier que le premier et le deuxième algorithmes ne fonctionnent pas bien pour des
fd T > 0.1, même avec plus de pilotes, contrairement à l’Algorithme 3.
Enfin, rappelons nous que l’algorithme proposé est basé sur les connaissances des retards du
canal, de la fréquence Doppler fd , et des variances des gains complexes σα2 l (pour la modélisation
AR). Il est alors important maintenant d’étudier la sensibilité de notre algorithme aux erreurs
d’estimation des retards, de la fréquence Doppler et des variances des gains complexes.
La figure 4.7 donne le TEB après dix itérations pour notre algorithme itératif, pour Nc = 3,
fd T = 0.3 et Lf = 4, avec une connaissance imparfaite des retards. La variable ET représente
l’écart type des erreurs sur la connaissance des retards, l’erreur étant modélisée par une variable
114 CHAPITRE 4. ALGORITHME BASÉ SUR LE FILTRE DE KALMAN ET LA DÉCOMPOSITION QR

−1
10
EQM après une itération
EQM après deux itérations
EQM après cinq itérations
EQM après fuit itérations
EQM avec DA

−2 BCRB(α ) en−ligne
10
EQM

−3
10

−4
10
0.1 0.2 0.3
fdT
tel-00373806, version 1 - 7 Apr 2009

(a)
−1
10
TEB

−2
10

Algo 2 avec Lf = 8
Algo 1 avec Lf = 8
Kalman avec Lf = 8
Algo 2 avec Lf = 4
Algo 1 avec Lf = 4
Kalman avec Lf = 4
−3
connaissance parfaite de canal et IEP
10
0,1 0.2 0,3
f T
d

(b)

Fig. 4.6 – RSB = 20dB : (a) EQM en fonction de fd T pour Lf = 4 ; (b) TEB en fonction de
fd T

Gaussienne centrée. On peut noter que l’algorithme n’est pas très sensible à une erreur de
retard ET< 0.1Ts , représentant 10 pourcent de la période échantillon en écart type. Or en
utilisant la technique ESPRIT [Yang 01] pour estimer les retards, nous avons obtenu ET<
0.05Ts , pour toutes les valeurs de RSB comme montré sur la figure 4.8. En combinant ainsi la
technique ESPRIT à notre algorithme d’estimation des gains complexes, on a bien une sensibilité
négligeable aux erreurs d’estimation des retards.
La figure 4.9 montre l’effet des erreurs d’estimation de la fréquence Doppler fd et des variances
des gains complexes σα2 l sur le TEB de notre algorithme après dix itérations, pour RSB = 30dB,
Nc = 3, fd T = 0.3 et Lf = 4. On désigne par Efd le pourcentage d’erreur sur fd et par Eσα2 le
l
pourcentage d’erreur sur σα2 l . Il faut noter qu’un pourcentage négatif signifie une sous-estimation
du paramètre, tandis qu’un pourcentage positif signifie une sur-estimation. Par exemple Efd =
Eσα2 = −10% et Efd = Eσα2 = 10% signifient respectivement que (fˆd = 0.9fd , σ̂α2 l = 0.9σα2 l )
l l
4.6. CONCLUSION 115

0
10

−1
10

−2
10
TEB

−3
10
après dix itérations avec retards exacte
après dix itérations avec ET = 0.01 Ts
−4 après dix itérations avec ET = 0.05 T
10 s
après dix itérations avec ET = 0.1 Ts
après dix itérations avec ET = 0.2 Ts

−5
connaissance parfaite de canal et IEP
10
0 5 10 15 20 25 30 35 40
RSB
tel-00373806, version 1 - 7 Apr 2009

Fig. 4.7 – TEB avec connaissance imparfaite des retards pour fd T = 0.3, Nc = 3 et Lf = 4

−1
10
τ = 0
1
τ4 = 3.2Ts
τ = 10T
6 s

−2
ET (Écart Type) [ T ]

10
s

−3
10

−4
10
0 10 20 30 40
RSB

Fig. 4.8 – Erreur d’estimation des retards pour les 1-er, 4-ème et 6-ème trajets en utilisant la
technique ESPRIT (la matrice de corrélation estimée est moyennée sur 1000 symboles OFDM,
i.e, 0.072sec), avec fd T = 0.3

et (fˆd = 1.1fd , σ̂α2 l = 1.1σα2 l ). On observe que notre algorithme est d’une part plus sensible
à une erreur sur fd qu’à une erreur sur σα2 l , et d’autre part qu’il est plus sensible à une sur-
estimation qu’à une sous-estimation. On peut noter qu’avec 50% d’erreur sur fd et sur σα2 l , on
a seulement une dégradation du TEB qui passe de TEB = 10−3 à TEB =8.10−3 . Donc, en bref,
notre algorithme a une certaine robustesse aux erreurs sur la connaissance de fd et σα2 l .

4.6 Conclusion
Dans ce chapitre, nous avons développé un algorithme itératif d’estimation des variations
temporelles des gains complexes pour un canal de type Rayleigh et de suppression d’IEP. Cet
algorithme est basé sur le filtre de Kalman et la décomposition QR. Les variations rapides
116 CHAPITRE 4. ALGORITHME BASÉ SUR LE FILTRE DE KALMAN ET LA DÉCOMPOSITION QR

−3
x 10
8

TEB = 10−3
min
6
pour εf = εσ2 = 0
d α
l
TEB

0
50
25 50
10 25
0 10
tel-00373806, version 1 - 7 Apr 2009

−10 0
−25 −10
−25
−50 −50
εσ2 (%) ε (%)
α f
l d

Fig. 4.9 – TEB avec connaissance imparfaite des σα2 l et fd pour RSB = 30dB, Nc = 3, fd T = 0.3
et Lf = 4

des gains complexes à l’intérieur d’un symbole OFDM sont approximées par une modélisation
polynomiale. En modélisant l’évolution dynamique des coefficients polynomiaux par un modèle
autorégressif (AR), ces coefficients sont poursuivis et estimés en utilisant le filtre de Kalman.
L’étude a montré que Nc = 3 coefficients par polynôme étaient suffisants, et qu’un ordre p = 1
était suffisant pour le modèle AR. Un détecteur QR est utilisé pour estimer les symboles de
données. Il présente de meilleures performances que la méthode SSI utilisée avec les deux premiers
algorithmes. L’algorithme global (Algo 3), proposé et analysé (théoriquement et en simulation)
dans [Hija 08b] [Hija 08a], a montré de bonnes performances pour des récepteurs à vitesses très
élevées (i.e., fd T > 0.1), contrairement aux deux premiers algorithmes.
La sensibilité de cet algorithme a été testé pour des connaissances imparfaites des retards
et on a trouvé, qu’en combinant la technique ESPRIT avec l’algorithme, cette sensibilité restait
faible. De plus, on a aussi testé la sensibilité à des connaissances imparfaites des variances de
gains complexes et de la fréquence Doppler et on a vérifié que cet algorithme n’était pas très
sensible aux erreurs sur ces deux paramètres.
Conclusion générale et perspectives

Dans ce mémoire, nous nous sommes intéressés à l’estimation de canal radio-mobile à évo-
lution rapide pour un système OFDM. Notre démarche a consisté à estimer l’évolution des
paramètres du canal physique, plutôt que plus conventionnellement celle du canal discret équi-
valent ou de la fonction de transfert associée. Celà passe par une étape supplémentaire, qui est
celle de l’estimation des délais de chaque trajet, avant de s’intéresser aux gains complexes de
chaque trajet. La démarche ne pourra donc avoir d’intérêt que si le nombre de trajets n’est
tel-00373806, version 1 - 7 Apr 2009

pas trop important. On cherche ainsi à poursuivre directement les paramètres variables, plutôt
qu’une fonction de ceux-ci, ce qui donne satisfaction pour des étalement Doppler importants.
Nous avons développé une approximation à base de polynômes pour modéliser l’évolution
des gains complexes d’un canal de Rayleigh. En se basant sur cette modélisation polynomiale,
nous avons présenté une étude théorique sur les Bornes de Cramér-Rao Bayesiennes (BCRBs)
pour l’estimation des gains complexes de type Rayleigh avec un spectre de Jakes dans un sys-
tème OFDM, en supposant les délais des trajets connus. Ensuite, nous avons développé trois
algorithmes itératifs d’estimation des variations temporelles des gains complexes (à l’intérieur
d’un symbole OFDM) et de suppression d’IEP pour des récepteurs à grande mobilité.
Cette approximation polynomiale nous a permis de mesurer le nombre de coefficients néces-
saires à une bonne modélisation polynomiale, en fonction de la vitesse d’évolution du canal. Nous
avons vu par exemple que malgré un très fort étalement Doppler de fd .T = 0.5, l’erreur de mo-
délisation restait faible en utilisant seulement Nc = 3 coefficients pour le polynôme modélisant
la variation du gain à l’intérieur d’un symbole OFDM.
Concernant les BCRBs, on a fourni des expressions analytiques ou approchées de la BCRB
pour les deux différents scénarios de variations temporelles du canal : gain complexe «variant» et
«invariant» à l’intérieur d’un symbole OFDM. Dans le cas d’un gain complexe variant durant un
symbole OFDM, nous avons proposé une nouvelle BCRB (NBCRB) qui nous donne un repère
pour qualifier la qualité de nos algorithmes. Nous avons démontré qu’une bonne estimation des
variations temporelles des gains complexes peut être obtenue en optimisant le nombre de coeffi-
cients de la modélisation polynomiale selon le niveau de bruit et l’étalement Doppler. Ces bornes
sont utiles pour analyser la performance des estimateurs des gains complexes pour les scénarios
«en-ligne» et «hors-ligne» et, avec et sans connaissance des symboles OFDM (DA :data-aided
et NDA :non-data-aided). En outre, nous avons montré l’intérêt (et chiffrer le gain potentiel)
d’utiliser les symboles OFDM précédents dans le processus d’estimation du canal, alors qu’il faut
bien noter que la plupart des méthodes de la littérature utilisent seulement le symbole courant.
Concernant les algorithmes d’estimation des gains complexes et de suppression d’IEP, les
deux premiers algorithmes sont basés sur les valeurs moyennes qui sont estimées par un estima-
teur LS. Ils utilisent la méthode suppression successive des interférences (SSI) pour estimer les
symboles de données. Le premier algorithme utilise le fait que la valeur moyenne d’un proces-
sus de Rayleigh sur une durée T est la plus proche de la valeurs centrale (en T /2) et ainsi il
interpole dans le domaine temporel par une interpolation passe-bas (IPB) classique. Par contre,

117
le deuxième algorithme fait une approximation polynomiale pour les variations temporelles des
gains complexes sur un bloc de quelques symboles OFDM et calcule les coefficients des poly-
nômes à partir seulement des valeurs moyennes estimées sur les symboles successifs du bloc. Ces
deux premiers algorithmes ont montré de bonnes performances pour des récepteurs à vitesses
modérées (i.e., fd T ≤ 0.1). Bien qu’ils aient à peu près les mêmes performances, le deuxième
algorithme est plus avantageux en terme de complexité. De plus, on a montré, qu’en combi-
nant la technique ESPRIT avec le deuxième algorithme, la sensibilité de l’algorithme pour des
connaissances imparfaites des retards est très faible.
Le dernier algorithme est basé sur le filtre de Kalman et la décomposition QR. Il modélise
l’évolution des coefficients de la modélisation polynomiale à l’intérieur d’un symbole OFDM par
un modèle autorégressif (AR), et les coefficients polynomiaux sont estimés en utilisant un filtre
de Kalman. L’algorithme utilise un détecteur QR pour estimer les symboles de données, qui se
révèle meilleur que le détecteur SSI. Cet algorithme a montré de bonnes performances pour des
récepteurs à vitesses très élevées (i.e., fd T > 0.1), contrairement aux deux premiers algorithmes.
De même, en le combinant avec la technique ESPRIT, la sensibilité de l’algorithme pour des
connaissances imparfaites des retards est très faible. De plus, nous avons montré que l’algorithme
tel-00373806, version 1 - 7 Apr 2009

n’était pas très sensible aux erreurs sur la connaissance des variances des gains complexes et de
la fréquence Doppler.

Nous pouvons maintenant citer quelques perspectives à ce travail, certaines immédiates,


d’autres plus lointaines.
Tout d’abord, nous avons utilisé une approximation seulement à base de polynômes pour mo-
déliser l’évolution des gains complexes à l’intérieur d’un symbole OFDM, ainsi que pour effectuer
une étude théorique sur les Bornes de Cramér-Rao Bayesiennes (BCRBs). Il serait intéressant
d’étudier l’approximation avec d’autres bases, comme par exemple les fonctions de Karhunen-
Loeve, les fonctions sphéroı̈dales allongées et les fonctions exponentielles complexes qui ont été
proposés dans la littérature pour modéliser l’évolution du canal discret équivalent. Cela nous
permettrait de conclure sur la modélisation la mieux adaptée pour estimer les paramètres du
canal physique. On pourrait aussi chercher à mieux comparer la démarche que nous avons eu
(estimer les paramètres du canal physique) avec la démarche plus conventionnelle (estimer la
fonction de transfert ou le canal discret équivalent).
Dans les trois algorithmes, nous avons supposé que les symboles pilotes de type peigne sont
régulièrement espacés entre les symboles de donnée. Il serait intéressant d’étudier quelle est la
position optimale des symboles pilotes pour avoir la meilleure estimation des gains complexes,
en fonction de la répartition des délais du canal.
Les algorithmes proposés devraient être capables de pallier dans une certaine mesure aux
erreurs de synchronisation (porteuse, horloge), qui peuvent être inclues dans la matrice du canal
global estimé. Cependant en pratique, les oscillateurs présentent toujours au moins un décalage
constant (offset) de fréquence porteuse ou horloge, et on aurait donc intérêt à faire apparaı̂tre ce
phénomène dans le modèle, afin de réaliser une estimation conjointe du canal et de ces décalages.
Cette extension ne devrait pas poser trop de problème, y compris au niveau des performances.
Si tel n’était pas le cas, on pourrait pour des scénarios plus difficiles utiliser des techniques
d’estimation non-linéaires à la place du filtre de Kalman. Concernant aussi les aspects codage,
l’extension des algorithmes pour intégrer le décodage conjoint ne devrait pas poser de difficulté,
comme nous l’avons d’ailleurs illustré dans le chapitre 3, avec l’Algorithme 2.
Enfin, tout ce travail a été réalisé dans le cadre d’une seule antenne en émission et en récep-
tion. Il serait intéressant d’étendre les algorithmes pour le cas d’antennes multiples (émission /
réception).
tel-00373806, version 1 - 7 Apr 2009

119
Annexes
tel-00373806, version 1 - 7 Apr 2009
Annexe A

Démonstration de l’équation (1.41)

Dans cette annexe, on va démontrer la propriété (1.41). En effet, la transformation de Fourier


de g(t, τ ) = (ge ⊗ h ⊗ gr )(τ ) par rapport à τ est donnée par :
tel-00373806, version 1 - 7 Apr 2009

 
G(t, f ) = TFτ g(t, τ ) = Ge (f )H(t, f )Gr (f ) (A.1)

avec Ge (f ) et Gr (f ) sont respectivement les transformés de Fourier des filtres ge (t) et gr (t).
La TF pour un filtre échantillonné g(t, dTs ) peut être obtenue de deux manières différentes :
+∞
X
 
Gech (t, f ) = TF g(t, dTs ) = G(t, f − sW ) (A.2)
s=−∞
+∞
X
g t, dTs e−j2πdf Ts
  
= TZ g(t, dTs ) z=e−j2πf Ts = (A.3)
d=−∞

avec TZ est la transformation en z. Les deux filtres


 d’émission et de réception sont
 Wdes Wfiltres
passe-bas et G(t, f ) est défini pour f ∈ − W W

2 , 2 . On peut donc écrire pour f ∈ −2, 2 :
+∞
X
g t, dTs e−j2πdf Ts

Gech (t, f ) = G(t, f ) = (A.4)
d=−∞

En échantillonnant (A.4) à la fréquence f = b W


 N N 
N , avec b ∈ − 2 , 2 − 1 , on obtient :

+∞  W  W  W
X bd
g t, dTs e−j2π N

= Ge b Gr b H t, b (A.5)
N N N
d=−∞

121
122 ANNEXE A. DÉMONSTRATION DE L’ÉQUATION (1.41)
tel-00373806, version 1 - 7 Apr 2009
Annexe B

Régression polynomiale

(n)  (n) (n) T


Étant donné une série de v points αl = αl (−Ng Ts ), ..., αl (N − 1)Ts dans le plan
cartésien, on veut faire passer le plus près possible des v points donnés, une courbe polynomiale
tel-00373806, version 1 - 7 Apr 2009

(n)
de degré Nc − 1 imposé. Ainsi, pour q ∈ [−Ng , N − 1], on peut écrire αl (qTs ) sous la forme :

Nc
(n) (n) (n)
X
αl (qTs ) = cd,l q d−1 + ξl [q] (B.1)
d=1

(n)  (n) (n) T (n)


avec cl = c1,l , ..., cNc ,l sont les Nc coefficients de la courbe polynomiale et ξl [q] est l’erreur
du modèle. On utilise la méthode des moindres carrés pour déterminer la valeur optimale des
coefficients de la courbe polynomiale de regression de degré Nc − 1 :
(n) (n)
αpol = QT cl (B.2)
l

où Q est une matrice de taille Nc ×v définie par (2.5). Autrement dit il faut trouver les coefficients
iT
(n) H (n)
h
(n) (n) (n) (n)
cl tels que l’écart quadratique ξl ξl soit minimal où ξl = ξl [−Ng ], ..., ξl [N − 1]
est le vecteur d’erreur du modèle donné par :
(n) (n) (n)
ξl = αl − αpol (B.3)
l

L’écart quadratique à minimiser s’écrit alors :

(n) H (n) (n) H (n) (n) H (n) (n) H (n) (n) H (n)
ξl ξl = αl αl + cl QQT cl − αl QT cl − cl Qαl (B.4)
(n)
En effectuant la dérivée de l’écart quadratique par rapport à cl , on obtient :

(n) H (n) (n) ∗ (n) ∗


∇c(n) ξl ξl = QQT cl − Qαl (B.5)
l

(n) H (n)
Pour obtenir le minimum de l’écart quadratique, l’annulation de la dérivée de ξl ξl par
(n)
rapport à cl nous donne :
(n) −1 (n)
cl = QQT Qαl (B.6)

123
124 ANNEXE B. RÉGRESSION POLYNOMIALE
tel-00373806, version 1 - 7 Apr 2009
Annexe C

Matrice du canal et modèle


d’observation
tel-00373806, version 1 - 7 Apr 2009

Dans cette annexe, on va détailler le calcul pour obtenir la matrice du canal et le modèle
d’observation dans le cadre d’une régression polynomiale, donnés respectivement par (4.2) et
(2.10). Premièrement, on va calculer la matrice du canal pour des gains complexes à variations
(n) (n) P c (n) d−1
polynomiales. En effet, en remplaçant αl (qTs ) par αpol (qTs ) = N
d=1 cd,l q dans l’équation
l
(2.1), on obtient :
 
L N −1
1 X m−1 1
e−j2π( N − 2 )τl
X (n) m−k
αpol (qTs )ej2π N q 
 
H(n) k,m = (C.1)
N l
l=1 q=0
 
Nc XL N −1
1 X m−1 1
c(n) e−j2π( N − 2 )τl
X m−k
= d,l q d−1 ej2π N q  (C.2)
N
d=1 l=1 q=0
Nc X
L
1 X (n)
= cd,l [Md ]k,m [F]m,l (C.3)
N
d=1 l=1

où F est la matrice de TF de taille N × L donnée par (1.30) et Md est la matrice de taille N × N
donnée par (2.13). Ainsi, on peut écrire la matrice du canal avec la modélisation polynomiale
comme suit :

Nc XL
1 X (n)
H(n) = cd,l Md diag{fl } (C.4)
N
d=1 l=1
Nc
" L #
1 X X (n)
= Md cd,l diag{fl } (C.5)
N
d=1 l=1
Nc
1 X (n)
= Md diag{Fχd } (C.6)
N
d=1

(n)  (n) (n) T


où fl est la l-ème colonne de la matrice F et χd = cd,1 , ..., cd,L .
Maintenant, on va démontrer le modèle d’observation donné par l’équation (2.10). En effet,

125
126 ANNEXE C. MATRICE DU CANAL ET MODÈLE D’OBSERVATION

en utilisant (C.6), on peut écrire :


Nc
1 X (n)
H(n) x(n) = Md diag{Fχd } x(n) (C.7)
N
d=1
Nc
1 X (n)
= Md diag{x(n) } F χd (C.8)
N
d=1
L Nc
1 XX (n)
= Md diag{x(n) } fl cd,l (C.9)
N
l=1 d=1
L
1 X (n) (n)
= Zl cl (C.10)
N
l=1
= K(n) c(n) (C.11)

(n)
où Zl est une matrice de taille N × Nc définie par (2.12), K(n) est une matrice de taille
tel-00373806, version 1 - 7 Apr 2009

(n)  (n) (n) T (n) T (n) T


N × LNc définie par (2.11), cl = c1,l , ..., cNc ,l et c(n) = [c1 , ..., cL ]T . Par conséquent,
en ajoutant l’erreur due à l’approximation polynomiale ǫ(n) et le bruit d’observation w(n) , on
obtient le modèle d’observation avec une modélisation polynomiale donné par (2.10).
Annexe D

Évaluation de la matrice de
corrélation R
tel-00373806, version 1 - 7 Apr 2009

Dans cette annexe, on va détailler le calcul pour obtenir l’expression de la matrice de cor-
rélation R de l’erreur de l’approximation polynomiale dans le modèle d’observation, ǫ(n) =
Hξ(n) x(n) , dans les deux contextes DA et NDA. La matrice de corrélation R de taille N × N
est définie par :
h i h i
R = E ǫ(n) ǫH (n) = E Hξ(n) x(n) xH H
(n) Hξ(n) (D.1)

Ainsi, les éléments de la matrice R sont donnés par :


" N N #
X X
∗ ∗
[R]k,m = E [Hξ(n) ]k,u1 [Hξ(n) ]m,u2 [x(n) ]u1 [x(n) ]u2
u1 =1 u2 =1
N
X N
X h i h i
= E [Hξ(n) ]k,u1 [Hξ(n) ]∗m,u2 E [x(n) ]u1 [x(n) ]∗u2 (D.2)
u1 =1 u2 =1

car les éléménts [Hξ(n) ]k,m et [x(n) ]k sont non corrélés. En utilisant (2.15), la première espérance
dans l’équation (D.2) peut être calculée comme :
 
L N −1 N −1 h
h i X u2 −u1 X X (n) (n) ∗ i u1 −k u2 −m
E [Hξ(n) ]k,u1 [Hξ(n) ]∗m,u2 = N12 ej2π N τl  E ξl (q1 Ts )ξl (q2 Ts ) ej2π N q1 e−j2π N q2 
l=1 q1 =0 q2 =0
 
L N −1 N −1
u −u u −k u −m
j2π 2N 1 τl j2π 1N q1 −j2π 2N q2
X X X
= 1
N2
σα2 l e  [Γ]q1 +1,q2 +1 e e 
l=1 q1 =0 q2 =0
(D.3)
car les L différentes erreurs du modèle
h {ξ[qT s ]} sont
i non corrélées, avec Γ est définie par (2.35).
Dans le contexte NDA, on a E [x(n) ]u1 [x(n) ]∗u2 = δu1 ,u2 car les symboles de données inconnus
sont non corrélés et normalisés, où δk,m est le symbole de Kronecker. Ainsi, en utilisant (D.3),
l’équation (D.2) devient comme :
N −1 N −1 N N −1
β X X mq −kq X
j2π 2N 1
q −q
−j2π 1N 2 u β X m−k
[R]k,m (NDA) = 2
[Γ] q1 +1,q2 +1 e e = [Γ]q+1,q+1 ej2π N q
N N
q1 =0 q2 =0 u=1 q=0
(D.4)

127
128 ANNEXE D. ÉVALUATION DE LA MATRICE DE CORRÉLATION R

avec β = L 2
P
l=1 σαl et, par conséquent, on obtient la matrice de corrélation R en contexte NDA
comme définie par (2.33).
Dans le contexte DA, les symboles de données sont connus au récepteur et donc une moyen-
nage sur les données n’est pas nécessaire. Ainsi, en utilisant (D.3), l’équation (D.2) devient
comme :
N −1 N −1 L X N
N X
X X mq2 −kq1 X q1 −τl q2 −τl
[R(n) ]k,m (DA) = 1
N2
[Γ]q1 +1,q2 +1 e j2π N σα2 l [x(n) ]u1 [x(n) ]∗u2 ej2π N
u1
e−j2π N
u2

q1 =0 q2 =0 l=1 u1 =1 u2 =1
N −1 N −1
X X mq2 −kq1
1
= N2
[Γ]q1 +1,q2 +1 [Z (n) ]q1 +1,q2 +1 ej2π N

q1 =0 q2 =0
(D.5)
où la matrice Z (n) est définie par (2.52) et, par conséquent, on obtient la matrice de corrélation
R(n) en contexte NDA comme définie par (2.51).
tel-00373806, version 1 - 7 Apr 2009
Annexe E

Évaluation de Jm

Dans cette annexe, on va détailler le calcul pour obtenir l’expression de Jm définie par (2.40).
En utilisant la définition de K(n) par (2.11), on obtient :
tel-00373806, version 1 - 7 Apr 2009

 
A1,1 · · · A1,L
−1 1  . .. .. 
A = KH
(n) Ω K(n) =  .. . .  (E.1)
N2
AL,1 · · · AL,L

(n) H (n)
où Al,l′ = Zl Ω−1 Zl′ est une matrice de taille Nc × Nc dont les éléments sont donnés par :
H −1
Al,l′ d,d′ = fH H
 
l diag{x(n) }Md Ω Md′ diag{x(n) }fl′ (E.2)

En faisant l’espérance de (E.2) par rapport à x et en utilisant le fait que les symboles sont
normalisés et non corrélés, on obtient :
h  i
Ex Al,l′ d,d′ = fH
l Md,d′ fl′ (E.3)

où Md,d′ est une matrice de taille N × N définie par (2.43). D’où, on obtient que :
h i
Ex Al,l′ = F H l Md,d′ F l′ (E.4)

où F l est une matrice de taille N Nc × Nc définie par (2.44). Par conséquent, on obtient l’ex-
pression de Jm donnée par (2.40).

129
tel-00373806, version 1 - 7 Apr 2009

130
ANNEXE E. ÉVALUATION DE JM
Annexe F

Calcul des expressions (2.55) et


(2.56)
tel-00373806, version 1 - 7 Apr 2009

Dans cette annexe, on va donner le calcul détaillé pour obtenir les deux expressions (2.55)
et (2.56). En insérant l’équation (2.36) dans (2.32), on obtient :
 
p(x(n) ) X 22 Re yH

 1  H H

m
(n) (n)
ln p(y(n) |c(n) ) = − 2 y(n) y(n) + m(n) m(n) + ln e σ (F.1)
σ |πσ 2 IN | x
(n)

car les symboles normalisés 4-QAM sont équiprobables (i.e., p(x(n) ) = 41N ). Cependant, dans ce
N
X
H
cas m(n) = diag{x(n) }Fc(n) , alors y(n) m(n) = an (k)[x(n) ]k où an (k) est défini par :
k=1

an (k) = [y(n) ]k gTk c(n) (F.2)

Donc, on obtient :
 
 
N 
2
Re
e σ2 Re
yH m 2
an (k)[x(n) ]k
X Y X
(n) (n)
e σ2 =   (F.3)
x(n) k=1 [x(n) ]k

Comme on a [x(n) ]k = √1 (±1 ± j) (i.e., symboles normalisés 4-QAM), alors on obtient :


2

  √2  √2
X
e
2
σ2
Re an (k)[x(n) ]k
= 4 cosh Re a (k)

cosh Im a (k)

(F.4)
n n
σ2 σ2
[x(n) ]k

En insérant ce résultat dans l’équation (F.1), on obtient l’expression donnée par (2.55). En
effectuant la dérivée seconde de l’équation (2.55) par rapport à c(n) et en utilisant les résultats
ci-dessous :
 1 ∗
∇c(n) Re an (k) = [y ] g (F.5)
2 (n) k k
 1 ∗
∇c(n) Im an (k) = [y(n) ]k gk (F.6)
2j

on obtient finalement l’expression donnée par (2.56).

131
132 ANNEXE F. CALCUL DES EXPRESSIONS (2.55) ET (2.56)
tel-00373806, version 1 - 7 Apr 2009
Annexe G

Évaluation de Jl

Dans cette annexe, on va détailler le calcul pour obtenir l’expression de Jl définie par (2.60).
En insérant la définition de an (k) donnée par (F.2) dans l’équation (2.59) et en remplaçant le
tel-00373806, version 1 - 7 Apr 2009

résultat dans l’équation (2.31), on obtient :


1 H
Jl = σ2
F F

N N  i
X h ∗
i 1X ∗ T h ∗ 2
− σ14 g∗k Ec Ey|c T
[y(n) ]k [y(n) ]k gk + 8 H ∗
gk gk Ec c(n) c(n) gk Ey|c [y(n) ]k [y(n) ]k gTk
σ
k=1 k=1
(G.1)
T
En utilisant que [y(n) ]k = [x(n) ]k gk c(n) + [w(n) ]k , que les symboles normalisés 4-QAM et le bruit
sont indépendants et en utilisant les résultats ci-dessous :
h i h i
E[x(n) ]k [x(n) ]2k = E[w(n) ]k [w(n) ]2k = 0 (G.2)
h i
E[w(n) ]k [w(n) ]2k [w(n) ]∗k 2 = 2σ 4 (G.3)

on obtient que :
h ∗
i
∗ 2
Ey|c [y(n) ]k [y(n) ]k = gTk c(n) cH
(n) gk + σ (G.4)
h ∗ 2
i
Ey|c [y(n) ]k [y(n) ]k = 2σ 4 + 4σ 2 gTk c(n) cH ∗ T H ∗ T H ∗
(n) gk + gk c(n) c(n) gk gk c(n) c(n) gk (G.5)

Par conséquent, Jl devient :


N N
1
X h i 4X h i
Jl = σ4
Vk Ec c(n) cH
(n) V k + Vk Ec c cH
(n) (n) V k c H
(n) (n) Vk
c
σ6
k=1 k=1
(G.6)
N
X h i
+ σ18 Vk Ec c(n) cH V c cH
V c cH
(n) k (n) (n) k (n) (n) Vk
k=1

avec Vk = g∗k gTk est une matrice de taille L × L. Soient les deux matrices suivantes :

T1 = c(n) cH H
(n) Vk c(n) c(n) (G.7)
T2 = c(n) cH H H
(n) Vk c(n) c(n) Vk c(n) c(n) (G.8)

133
134 ANNEXE G. ÉVALUATION DE JL

dont les éléments sont donnés par :


L
L X
  X       ∗  ∗
T1 l,l′ = Vk l1,l2 c(n) l c(n) l2 c(n) l′ c(n) l1 (G.9)
l1 =1 l2 =1
L X
L X
L X
L
  X           ∗  ∗  ∗
T2 l,l′ = Vk l1,l2 Vk l3,l4 c(n) l c(n) l2 c(n) l4 c(n) l′ c(n) l1 c(n) l3 (G.10)
l1 =1 l2 =1 l3 =1 l4 =1

En utilisant que :
h i
D = Ec c(n) cH = diag σα2 1 ..., σα2 L

(n) (G.11)
h 2 i
E[c(n) ]l c(n) l = 0 (G.12)

et les définitions des moments de quatrième et sixième ordres des variables complexes Gaus-
siennes, on obtient :
tel-00373806, version 1 - 7 Apr 2009

  
Ec T1 = DVk D + Tr Vk D D (G.13)
     2
Ec T2 = 2DVk DVk D + 2Tr Vk D DVk D + Tr Vk DVk D D + Tr Vk D D (G.14)

De plus, en utilisant que :


PL
gTk Dg∗k 2

= Tr Vk D = l=1 σαl = β (G.15)
Tr Vk DVk D = β 2

(G.16)
DVk DVk D = βDVk D (G.17)

et en insérant ces résultats dans l’équation (G.6), on obtient finalement l’expression de Jl donnée
par (2.60).
Annexe H

Démonstration de l’inégalité (2.65)

Dans cette annexe, on va démontrer l’inégalité donnée par (2.65). À partir de la définition
de Jmin , on a Jmin ≤ Jm = Jh et donc on obtient la première inégalité dans (2.65), i.e.,
tel-00373806, version 1 - 7 Apr 2009

BCRBM(c) ≤ BCRBA(c). Pour démontrer la deuxième inégalité dans (2.65), il faut montrer
que J ≤ Jmin .

2
2
y = tanh x
y = x2
y = 1

1.5

y
1

0.5

0
0 0.5 1 1.5 2 2.5 3
x

Fig. H.1 – the tanh2 (·) function

À partir de la figure H.1, on remarque que la fonction tanh2 (x) est tangente à la courbe
y = x2 en x = 0 et a y = 1 comme asymptote horizontale. Par conséquent, on peut écrire, pour
tout x ≥ 0, les deux propriétés ci-dessous :

tanh2 (x) ≤ 1 et tanh2 (x) ≤ x2 (H.1)

En utilisant ces deux propriétés, on obtient à partir de l’équation (2.56) que :

c(n) 1
ln p(y(n) |c(n) ) ≥ − 2 FH F

∆c(n) (H.2)
σ
N  
c(n)  1 H X 1 ∗ ∗ T

4 ∗
∆c(n) ln p(y(n) |c(n) ) ≥ − 2 F F + [y ]k [y(n) ]k gk gk σ − an (k)an (k) (H.3)
σ σ 8 (n)
k=1

135
136 ANNEXE H. DÉMONSTRATION DE L’INÉGALITÉ (2.65)

En insérant (H.2) et (H.3) dans l’équation (2.31), on obtient :

J ≤ Jh et J ≤ Jl (H.4)

D’où, on a J ≤ Jmin et en conséquence la deuxième inégalité dans (2.65), i.e., BCRBA(c) ≤


BCRB(c).
tel-00373806, version 1 - 7 Apr 2009
Annexe I

Calcul de la matrice de transfert T

Dans cette annexe, on va calculer la matrice de transfert T entre cdésl et αl . Le polynôme


désiré αdésl est une approximation polynomiale de αl durant Nc symboles OFDM, dont les Nc
coefficients, cdésl , sont calculés à partir des valeurs moyennes αl . Dans la suite, on va effectuer le
tel-00373806, version 1 - 7 Apr 2009

calcul de la matrice de transfert T pour Nc = 4. On peut donc écrire pour q ∈ [−Ng , vNc −Ng −1] :

αdésl = cdés1,l + cdés2,l q + cdés3,l q 2 + cdés4,l q 3 (I.1)

Comme αdésl et αl ont les mêmes valeurs moyennes αl , on peut donc écrire :
N −1 N −1 N −1
(1) 1 X 1 X 2 1 X 3
αl = cdés1,l + cdés2,l q + cdés3,l q + cdés4,l q (I.2)
N N N
q=0 q=0 q=0

(2) 1 X−1
v+N
1 X−1
v+N
1 X−1
v+N
2
αl = cdés1,l + cdés2,l q + cdés3,l q + cdés4,l q3 (I.3)
N q=v
N q=v
N q=v

2v+N
X−1 2v+N
X−1 2v+N
X−1
(3) 1 1 2 1
αl = cdés1,l + cdés2,l q + cdés3,l q + cdés4,l q3 (I.4)
N N N
q=2v q=2v q=2v

3v+N
X−1 3v+N
X−1 3v+N
X−1
(4) 1 1 2 1
αl = cdés1,l + cdés2,l q + cdés3,l q + cdés4,l q3 (I.5)
N N N
q=3v q=3v q=3v

En utilisant les propriétés suivantes des séries entières :

X−1
sv+N
N (N − 1)
q = + svN (I.6)
q=sv
2
X−1
sv+N
N (N − 1)(2N − 1)
q2 = + svN (N − 1) + s2 v 2 N (I.7)
q=sv
6
X−1
sv+N
N 2 (N − 1)2 N (N − 1)(2N − 1) N (N − 1)
q3 = + sv + 3s2 v 2 + s3 v 3 N (I.8)
q=sv
4 2 2

137
138 ANNEXE I. CALCUL DE LA MATRICE DE TRANSFERT T

avec s ∈ [0, 3], on obtient :

αl = Tcdésl (I.9)

(4) T
h i h iT
(1) (2) (3)
avec αl = αl , αl , αl , αl , cdésl = cdés1,l , cdés2,l , cdés3,l , cdés4,l et T est une matrice de
taille 4 × 4 donnée par :

N (N −1)2
 
N −1 (N −1)(2N −1)
1 2 6 4
 
 
N −1 (N −1)(2N −1) N (N −1)2 (N −1)(2N −1) (N −1)
+ (N − 1)v + v 2 2 2 3 3
 
 1 +v +v + 3s v +s v 
 2 6 4 2 2 
T=



N −1 (N −1)(2N −1) N (N −1)2
 1 + 2v + 2(N − 1)v + 4v 2 + v(N − 1)(2N − 1) + 6v 2 (N − 1) + 8v 3
 
 2 6 4 

 
N −1 (N −1)(2N −1) N (N −1)2 (N −1)(2N −1) (N −1)
1 + 3v + 3(N − 1)v + 9v 2 + 3v + 27v 2 + 27v 3
tel-00373806, version 1 - 7 Apr 2009

2 6 4 2 2
(I.10)

Notons que, pour Nc = 3, la matrice de transfert résultante de taille 3 × 3 donnée par (3.65) est
obtenue en éliminant la dernière ligne et la dernière colonne de la précédente matrice T (définie
pour Nc = 4).
Annexe J

Coefficients du chapitre 3
h i h i
Dans cette annexe, on donne l’expression des coefficients suivants Zp(k,m) , Zd(k,m) ,
u1 ,u2 u1 ,u2
tel-00373806, version 1 - 7 Apr 2009

h i h i
Z1(k) et Z2(k) .
u,u1 u1 ,u2

 
  pNp
 X p
Np 
h i ∗  ∗

X     
Zp(k,m) = E [∆pp ]m,u1 [∆pp ]k,u2 = E x(u1 ) d x(u2 ) d H(u1 ) p H(u2 ) p
 
m ,d1 k ,d2 
1 2

u1 ,u2 
d1 =p1 d2 =p1
d1 6=pm d2 6=pk
p p L −1 N −1
∗ −j2π d1 −d2 τ NX
Np Np  
1 X X X X (d1 −pm )q1 −(d2 −pk )q2
σα2 l j2π
   
= 2 x(u1 ) d x(u2 ) d e N l
e N J0 2πfd Ts (q1 − q2 )+(u1 − u2)v
N 1 2
d1 =p1 d2 =p1 l=1 q1 =0 q2 =0
d1 6=pm d2 6=pk

 
h i   N N
∗  ∗ 
= E [∆dd ]m,u1 [∆dd ]∗k,u2
X X     
Zd(k,m) = E x(u1 ) d x(u2 ) d H(u1 ) p ,d H(u2 ) p ,d 
u1 ,u2  1 2 m 1 k 2
d1 =1 d2 =1
d1 6=ps d2 6=ps
L N N −1 N −1  
δu1 ,u2 X 2 X X X j2π (d−pm )q1 −(d−pk )q2
= σ αl e N J0 2πfd Ts (q1 − q2 )
N2
l=1 d=1 q1 =0 q2 =0
d6=ps

 
  XpNp 
h i

αl∗ (u − 1)Ts x(u1 ) d [H(u1 ) ]pk ,d 
  
Z1(k) = E αl (u − 1)Ts [∆pp ]k,u1 = E
 
u,u1  
d=p1
d6=pk
p −1
 −j2π( d−1 − 1 )τ NX
Np
σα2 l X 
 
(d−pk )q
j2π

= x(u1 ) d e N 2 l
e N J0 2πfd Ts (q − u + 1) + (u1 − 1)v
N
d=p1 q=0
d6=pk

139
140 ANNEXE J. COEFFICIENTS DU CHAPITRE 3

 
  XpNp 
h i

α∗l,u2 −1 x(u1 ) d [H(u1 ) ]k,d 
 
Z2(k) = E αl,u2 −1 [∆pp ]k,u1 = E
 
u1 ,u2  
d=p1
d6=pk
p −1 N −1
 −j2π( d−1 − 1 )τ NX
Np
σα2 l X 
 
(d−k)q1 X
j2π

= x(u1 ) d e N 2 l
e N J0 2πfd Ts (q1 − q2 ) + (u1 − u2 )v
N2
d=p1 q1 =0 q2 =0
d6=pk
tel-00373806, version 1 - 7 Apr 2009
Bibliographie

[Akmo 00] W. Akmouche. Étude et caractérisation des modulations multiporteuses OFDM.


PhD thesis, Université de Bretagne Occidentale, Brest, France, Octobre 2000.

[Ande 79] B. Anderson and J. B. Moore. Optimal filtering. Prentice-Hall, 1979.

[Badd 05] K. E. Baddour and N. C. Beaulieu. “Autoregressive modeling for fading channel
tel-00373806, version 1 - 7 Apr 2009

simulation”. IEEE Trans. Wireless Commun., Vol. 4, No. 4, pp. 1650–1662, July
2005.

[Baha 99] A. Bahai and B. Saltzberg. Multi-Carrier Dications : Theory and Applications of
OFDM. Kluwer Academic/Plenum, 1999.

[Bane 07] P. Banelli, R. Cannizzaro, and L. Rugini. “Data-Aided Kalman Tracking for Channel
Estimation in Doppler-Affected OFDM Systems”. IEEE International Conference
on Acoustics, Speech and Signal Processing (ICASSP), pp. 133–136, April 2007.

[Bay 08a] S. Bay, B. Geller, A. Renaux, J. Barbot, and J. Brossier. “On the Hybrid Cramer
Rao Bound and Its Application to Dynamical Phase Estimation”. IEEE Signal Proc.
letters, Vol. 15, pp. 453–456, 2008.

[Bay 08b] S. Bay, C. Herzet, J. Brossier, J. Barbot, and B. Geller. “Analytic and Asymptotic
Analysis of Bayesian Cramer-Rao Bound for Dynamical Phase Offset Estimation”.
IEEE Trans. Signal Processing, Vol. 56, pp. 61–70, January 2008.

[Bell 63] P. A. Bello. “Characterization of Randomly Time-invariant Linear Channels”. IEEE


Transactions on Communications and Systems, Vol. 11(4), pp. 360–393, December
1963.

[Bobr 87] B. Bobrovosky, E. Mayer-Wolf, and M. Zakai. “Some Classes of Global Cramer-Rao
Bounds”. Ann. Statis., Vol. 15, pp. 1421–1438, 1987.

[Bouv 06] P.-J. Bouvet. Récepteurs itératifs pour systèmes multi-antennes. PhD thesis, INSA
de Rennes, Rennes, France, Décembre 2006.

[Bros 97] J.-M. Brossier. Signal et communication numérique : égalisation et synchronisation.


Hermès, 1997.

[Cai 00] X. Cai and A. N. Akansu. “A Subspace Method for Blind Channel Identification in
OFDM Systems”. Int. Commun. Conf. (ICC), pp. 929–933, 2000.

[Cave 91] J. K. Cavers. “An Analysis of Pilot Symbol Assisted Modulation for Rayleigh Fading
Channels”. IEEE Trans. on Vehic. Tech., Vol. 40(4), November 1991.

141
142 BIBLIOGRAPHIE

[Chan 66] R. W. Chang. “Synthesis of Band-limited Orthogonal Signals for Multichannel Data
Transmission”. The Bell System Technical Journal, pp. 1775–1796, December 1966.

[Chan 68] R. W. Chang and R. A. Gibby. “A Theoretical Study of Performance of an Ortho-


gonal Multiplexing Data Transmission Scheme”. IEEE Transactions on Communi-
cations, Vol. COM-16, pp. 529–540, August 1968.

[Chen 04] W. Chen and R. Zhang. “Kalman-filter channel estimator for OFDM systems in
time and frequency-selective fading environment”. IEEE International Conference
on Acoustics, Speech, and Signal Processing (ICASSP), May 2004.

[Choi 01] Y.-S. Choi, P. Voltz, and F. A. Cassara. “On channel estimation and detection for
muticarrier signals in fast and selective Rayleigh fading channels”. IEEE Trans.
Commun., Vol. 49, No. 8, pp. 1375–1387, August 2001.

[Chot 99] N. Chotikakamthorn and H. Suzuki. “On identifiability of ofdm blind channel esti-
tel-00373806, version 1 - 7 Apr 2009

mation”. IEEE VTC’99, 1999.

[Cimi 85] L. J. Cimini. “Analysis and Simulation of Digital Mobile Channel Using Orthogo-
nal Frequency Division Multiple Access”. IEEE Transaction on Communications,
Vol. 33, pp. 665–675, July 1985.

[Clar 68] R. H. Clarke. “A Statistical Theory of Mobile Radio Reception”. Bell System Tech-
nical Journal, Vol. 47, pp. 957–1000, July-August 1968.

[Cole 02] S. Coleri. “Channel Estimation Techniques Based on Pilot Arrangement in OFDM
Systems”. IEEE Trans. Broad., Vol. 48, No. 3, pp. 223–229, September 2002.

[cont] W. contributors. “Linear Regression”. Wikipedia, The Free Encyclopedia.

[Coua 94] R. M. T. de Couasnon and J. B. Rault. “OFDM for digital TV Broadcasting”. Signal
Processing, Vol. 39(1-2), pp. 1–32, September 1994.

[Cour 96] M. de Courville. Utilisation de Bases Orthogonales pour l’Algorithmique Adaptative


et l’Égalisation des Systèmes Multiporteuses. PhD thesis, PhD thesis, Telecom Paris,
Paris, France, October 1996.

[Crus 05] M. Crussiere. Étude de communication à haut-débit sur lignes d’énergie en exploi-
tant la combinaison OFDM/CDMA. PhD thesis, INSA de Rennes, Rennes, France,
Novembre 2005.

[DAnd 94] A. D’Andrea, U. Mengali, and R. Reggiannini. “The Modified Cramer-Rao Bound
and its Application to Synchronization Problems”. IEEE Trans. Commun., Vol. 42,
pp. 1391–1399, April 1994.

[Dudg 84] D. Dudgeon and R. Mersereau. Multidimensional Digital Signal Processing. Prentice
Hall, Inc., 1984.

[Edfo 98] O. Edfors, M. Sandell, J.-J. V. de Beek, S. Wilson, and P. Brejesson. “OFDM
Channel Estimation by Singular Value Decomposition”. IEEE Trans. Commun.,
Vol. 46, No. 7, pp. 931–939, July 1998.
BIBLIOGRAPHIE 143

[Enge 95a] V. Engels and H. Rohling. “Differential Modulation Techniques for a 34 mbit/s
Radio Channel Using Orthogonal Frequency-Division Multiplexing”. Wireless Pers.
Commun., Vol. 2(1-2), pp. 29–44, 1995.

[Enge 95b] V. Engels and H. Rohling. “Multilevel Differential Modulation Techniques (64-dapsk)
for Multicarrier Transmission Systems”. Eur. Trans. Telecommun. Rel. Technol.,
Vol. 6(6), pp. 633–640, November 1995.

[Euro 93] European Telecommunications Standards Institute, European Digital Cellular Tele-
communication System (Phase 2), Radio Transmission and Reception, GSM 05.05,
vers. 4.6.0, Sophia Antipolis, France, July 1993.

[Euro 95] European Telecomunications Standards Institute ETSI. Radio broadcasting systems,
digital audio broadcasting (dab) to mobile, portable and fixed receivers, In ETS 300
401, Valbonne, France, February 1995.

[Euro 96] European Telecomunications Standards Institute ETSI. Digital broadcasting for tele-
tel-00373806, version 1 - 7 Apr 2009

vision, sound and data services, In prETS 300 744(draft version 0.0.3), Avril 1996.

[Fran 61] J. Francis. “The QR Transformation A Unitary Analogue to the LR Transformation


- Part 1”. The Computer Journal, Vol. 4, No. 3, pp. 265–271, 1961.

[Fren 96] P. Frenger and A. Svensson. “A decision directed coherent detector for OFDM”.
IEEE Vehicular Technology Conference, pp. 1584–1588, Atlanta, GA, April 1996.

[Gini 98] F. Gini, R. Reggiannini, and U. Mengali. “The Modified Cramer-Rao Bound in
Vector Parameter Estimation”. IEEE Trans. Commun., Vol. 46, pp. 52–60, January
1998.

[Guil 05] M. Guillaud. Techniques de transmission et de modélisation de canal pour les


systèmes de communications multi-antennes. PhD thesis, EURECOM, Sophia-
Antipolis, France, Juillet 2005.

[Heat 97] R. W. Heath and G. B. Giannakis. “Blind Channel Identification for Multirate
Precoding and OFDM Systems”. DSP’97, 1997.

[Hija 07a] H. Hijazi and L. Ros. “Estimation de Canal et Suppression d’Interférence pour les
Récepteurs OFDM à Grande Mobilité”. Traitement du signal et des images, Actes
du 21e colloque GRETSI, Septembre 2007.

[Hija 07b] H. Hijazi and L. Ros. “Time-varying Channel Complex Gains Estimation and ICI
Suppression in OFDM Systems”. IEEE Global Communications Conference (GLO-
BECOM), Washington, USA, November 2007.

[Hija 07c] H. Hijazi, L. Ros, and G. Jourdain. “OFDM Channel Parameters Estimation used for
ICI Reduction in Time-Varying Multipath channels”. European Wireless Conference
(EW), April 2007.

[Hija 08a] H. Hijazi and L. Ros. “Joint Data QR-Detection and Kalman Estimation for OFDM
Time-varying Rayleigh Channel Complex Gains”. IEEE Trans. Communications,
(en révision, première soumission 28 Juillet 2008).
144 BIBLIOGRAPHIE

[Hija 08b] H. Hijazi and L. Ros. “OFDM High Speed Channel Complex Gains Estimation
Using Kalman Filter and QR-Detector”. IEEE International Symposium on Wireless
Communication Systems (ISWCS), Reykjavik, Iceland, October 2008.

[Hija 08c] H. Hijazi and L. Ros. “On-line Bayesian Cramer-Rao Bounds for OFDM Slowly
Varying Rayleigh Multi-path Channel Estimation”. IEEE International Symposium
on Wireless Communication Systems (ISWCS), Reykjavik, Iceland, October 2008.

[Hija 08d] H. Hijazi and L. Ros. “Polynomial Estimation of Time-Varying Multi-path Gains
with Intercarrier Interference Mitigation in OFDM Systems”. IEEE International
Symposium on Communications, Control and Signal Processing (ISCCSP), St. Ju-
lians, MALTA, March 2008.

[Hija 09a] H. Hijazi and L. Ros. “Analytical Analysis of Bayesian Cramer-Rao Bound for
Dynamical Rayleigh Channel Complex Gains Estimation in OFDM System”. IEEE
Trans. Signal Proc., Vol. 57, No. 5, May 2009.
tel-00373806, version 1 - 7 Apr 2009

[Hija 09b] H. Hijazi and L. Ros. “Bayesian Cramer-Rao Bounds for Complex Gain Parameters
Estimation of Slowly Varying Rayleigh Channel in OFDM Systems”. ELSEVIER
Signal Processing FAST Communication, Vol. 89, pp. 111–115, January 2009.

[Hija 09c] H. Hijazi and L. Ros. “Polynomial Estimation of Time-Varying Multi-path Gains
with Intercarrier Interference Mitigation in OFDM Systems”. IEEE Trans. Vehic.
Techno., Vol. 58, No. 1, pp. 140–151, January 2009.

[Hija 09d] H. Hijazi and L. Ros. “Rayleigh Time-varying Channel Complex Gains Estimation
and ICI Cancellation in OFDM Systems”. European Trans. Telecommunications
(ETT), 2009.

[Hohe 97a] P. Hoher, S. Kaiser, and P. Robertson. “Pilot-Symbol-Aided Channel Estimation in


Time and Frequency”. pp. 90–96, in Proceedings of IEEE Global Telecommunication
Conference on Acoustics, Speech and Signal Processing, Phoenix, USA, November
1997.

[Hohe 97b] P. Hoher, S. Kaiser, and P. Robertson. “Two-Dimentional Pilot-Symbol-Aided Chan-


nel Estimation by Wiener Filtering”. pp. 1845–1848, in Proceedings of IEEE Inter-
national Conference on Acoustics, Speech and Signal Processing, Munich-Germany,
April 1997.

[Hsie 98] M. Hsieh and C. Wei. “Channel Estimation for OFDM Systems Based on Comb-
Type Pilot Arrangement in Frequency Selective Fading Channels”. IEEE Trans.
Consumer Electron., Vol. 44, No. 1, February 1998.

[Jaff 00] E. Jaffrot. Estimation de canal très sélectif en temps et en fréquence pour les sys-
tèmes OFDM. PhD thesis, ENSEA, Cergy-Pontoise , France, Décembre 2000.

[Jake 83] W. C. Jakes. Microwave Mobile Communication. Piscataway, NJ : IEEE Press,


1983.

[Kay 93] S. M. Kay. Fundamentals of Statistical Signal Processing : Estimation Theory. Pren-
tice Hall PTR, 1993.
BIBLIOGRAPHIE 145

[Lasa 87] R. Lasalle and M. Alard. “Principles of Modulation and Channel Coding for Digital
Broadcasting for mobile Receivers”. EBU Review, No. 224, pp. 168–190, August
1987.

[Li 98] Y. Li, L. Cimini, and N. Sollenberger. “Robust Channel Estimation for OFDM
Systems with Rapid Dispersive Fading Channels”. IEEE Trans. Commun., Vol. 46,
No. 7, pp. 902–915, July 1998.

[Mohe 89] M. L. Moher and J. H. Lodge. “A Modulation and Coding Strategy for Rician Fading
Channels”. IEEE Journal on Select. Areas in Commun., Vol. 7(9), pp. 1347–1355,
December 1989.

[Morl 00] C. Morlet. Démodulateur embarqué multiporteuses pour services multimédia par
satellites. PhD thesis, ENST de Paris, Paris, France, Septembre 2000.

[Most 05] Y. Mostofi and D. Cox. “ICI mitigation for pilot-aided OFDM mobile systems”.
IEEE Trans. Wireless Commun., Vol. 4, No. 12, pp. 765–774, March 2005.
tel-00373806, version 1 - 7 Apr 2009

[Moul 95] E. Moulines and S. Mayrargue. “Subspace Methods for The Blind Identification
of Multichannel for Fiters”. IEEE Trans. on Sig. Proc., Vol. 43(2), pp. 516–525,
February 1995.

[Muqu 99] B. Muquet and et al. “A Subspaced Based Blind and Semi-Blind Channel Inden-
tification Method for OFDM Systems”. IEEE-SP Workshop Signal Process. Adv.
Wireless, pp. 170–173, May 1999.

[Nass 06] Y. Nasser. Sensibilité des Systèmes OFDM-CDMA aux Erreurs de synchronisation
en Réception Radio Mobile. PhD thesis, INPG, Grenoble, France, Octobre 2006.

[Pele 80] A. Peled and A. Ruiz. “Frequency Domain Data Transmission Using Reduced Com-
putational Complexity Algorithms”. pp. 964–967, in Proceedings of IEEE Internatio-
nal Conference on Acoustics, Speech and Signal Processing (ICASSP ’80), Denver,
Colo, USA, April 1980.

[Pete 95] R. Peterson, R. Ziemer, and D. Borth. Introduction of spread spectrum communica-
tions. Prentice Hall Inc., 1995.

[Proa 00] J. G. Proakis. Digital Communications. Boston : Macgraw-Hill, 2000.

[Prog 79] Programs for Digital Signal Processing. IEEE Press, New York, 1979. Algorithm
8.1.

[Rapp 99] T. S. Rappaport. Wireless Communications, Principles and Practice. Prentice-Hall


PTR, 1999.

[Rein 94] C. Reiners and H. Rohling. “Multicarrier Transmission Technique in Cellular Mobile
Communications Systems”. IEEE Vehicular Technology Conference, pp. 1645–1649,
Stockholm, Sweden, June 1994.

[Rock 87] Y. Rockah and P. Schultheiss. “BCRB and upper bounded by the high-SNR asymp-
tote. This Array shape calibration using sources in unknown locations-part I : Far-
field sources”. IEEE Trans. Acoust., Speech, Signal Process., Vol. ASSP-35, No. 3,
pp. 286–299, March 1987.
146 BIBLIOGRAPHIE

[Rohl 95] H. Rohling and R. Grünheid. “Multicarrier Transmission Technique in Mobile Com-
munication Systems”. RACE Mobile Communications Summit, pp. 270–276, Cascais,
November 1995.

[Ros 01] L. Ros. Réception multi-capteur pour un terminal radio-mobile dans un système
d’accès multiple à répartition par codes. Application au mode TDD de l’UMTS.
PhD thesis, INPG, Grenoble, France, Décembre 2001.

[Roy 89] R. Roy and T. Kailath. “ESPRIT-Estimation of Signal Parameters via Rotational
Invariance Techniques”. IEEE Trans. Acoust., Speech, Signal Processing, Vol. 45,
pp. 984–995, July 1989.

[Sale 02] F. Salem. Réception particulaire pour canaux multi-trajets évanescents en commu-
nications radiomobiles. PhD thesis, Université Paul Sabatier de Toulouse, Toulouse,
France, Novembre 2002.

[Seno 05] H. Senol, H. Cirpan, and E. Panayirci. “A Low-Complexity KL Expansion-Based


tel-00373806, version 1 - 7 Apr 2009

Channel Estimator for OFDM Systems”. EURASIP Journal on Wireless Commu-


nications and Networking, pp. 163–174, February 2005.

[Simo 04] E. Simon. Synchronisation de Signaux CDMA dans un Environnement Multi-


Utilisateur. PhD thesis, INPG, Grenoble, France, Novembre 2004.

[Simo 05] E. Simon and L. Ros. “Adaptive Multipath Channel Estimation in CDMA Based
on Prefiltering and Combination with a Linear Equalizer”. 14th IST Mobile and
Wireless Communications Summit, Dresden, June 2005.

[Simo 07] E. Simon, L. Ros, and K. Raoof. “Synchronization over Rapidly Time-Varying Multi-
path Channel for CDMA Downlink RAKE Receivers in Time-Division Mode”. IEEE
Trans. Vehic. Techno., Vol. 56, No. 4, July 2007.

[Tang 05] Y. Tang, L. Qian, and Y. Wang. “Optimized software implementation of a full-fate
IEEE 802.11a compliant digital baseband transmitter on a digital signal processor”.
IEEE Global Telecommunication Conference., Vol. 4, November 2005.

[Tang 07] Z. Tang, R. Cannizzaro, G. Leus, and P. Banelli. “Pilot-Assisted Time-Varying


Channel Estimation for OFDM Systems”. IEEE Trans. Signal Process., Vol. 55,
pp. 2226–2238, May 2007.

[Tich 98] P. Tichavsky, C. Murachvik, and A. Nehorai. “Posterior Cramer-Rao Bound for
Discret-Time Nonlinear Filtering”. IEEE Trans. Signal Processing, Vol. 46, pp. 1386–
1396, May 1998.

[Toma 05] S. Tomasin, A. Gorokhov, H. Yang, and J.-P. Linnartz. “Iterative Interference Can-
cellation and Channel Estimation for Mobile OFDM”. IEEE Trans. Wireless Com-
mun., Vol. 4, No. 1, pp. 238–245, January 2005.

[Tree 68] H. L. V. Trees. Detection, estimation, and modulation theory : Part I. Wiley, New
York, 1968.

[Wax 85] M. Wax and T. Kailath. “Detection of Signals by Information Theoretic Criteria”.
IEEE Trans. Acoust., Speech, Signal Processing, Vol. ASSP-33, pp. 387–392, April
1985.
BIBLIOGRAPHIE 147

[Wein 71] S. B. Weinstein and P. M. Ebert. “Data Transmission by Frequency-division Multi-


plexing Using The Discrete Fourier Transform”. IEEE Transactions on Communi-
cations Technology, Vol. COM-19(5), pp. 628–634, October 1971.

[Xu 94] G. Xu, R. R. III, and T. Kailath. “Detection of Number of Sources via Exploitation of
Centro-Symmetry Property”. IEEE Trans. Signal Processing, Vol. 42, pp. 102–112,
January 1994.

[Yang 01] B. Yang, K. Letaief, R. Cheng, and Z. Cao. “Channel Estimation for OFDM Trans-
misson in Mutipath Fading Channels Based on Parametric Channel Modeling”. IEEE
Trans. Commun., Vol. 49, No. 3, pp. 467–479, March 2001.

[Zhao 97] Y. Zhao and A. Huang. “A Novel Channel Estimation Method for OFDM Mobile
Communications Systems Based on Pilot Signals and Transform Domain Proces-
sing”. pp. 2089–2093, Vehicular Technology Conference, Phonix, USA, May 1997.
tel-00373806, version 1 - 7 Apr 2009
tel-00373806, version 1 - 7 Apr 2009
Résumé

Cette thèse s’inscrit dans le cadre des systèmes radiocommunications numériques pour des récep-
teurs mobiles basés sur la modulation multi-porteuse OFDM. L’objectif est de proposer des algorithmes
d’estimation de canal et de suppression d’IEP pour les récepteurs OFDM à grande mobilité en liaison
descendante. Notre démarche est d’estimer les paramètres de propagation du canal physique tels que les
retards et les variations temporelles des gains complexes du canal à trajet multiples, au lieu du canal
discret équivalent. Nous avons développé une approximation à base de polynôme pour l’évolution des
gains complexes d’un canal multi-trajet de type Rayleigh avec un spectre de Jakes. En se basant sur
cette modélisation polynomiale, nous avons présenté une étude théorique sur les Bornes de Cramér-Rao
Bayésiennes (BCRBs) pour l’estimation des gains complexes du canal, en supposant les délais des tra-
jets connus. Enfin, nous avons développé et analysé trois algorithmes itératifs d’estimation des variations
temporelles des gains complexes (à l’intérieur d’un symbole OFDM) et de suppression d’IEP pour des
récepteurs à grande mobilité. Les deux premiers sont basés sur l’interpolation (passe-bas ou polynomiale)
des valeurs moyennes estimées et sur un égaliseur SSI. Ils ont montré de bonnes performances pour des
récepteurs à vitesses modérées (i.e., fd T ≤ 0.1). Le troisième algorithme est basé sur une modélisation AR
et un filtre de Kalman pour estimer les coefficients polynomiaux des gains complexes, et sur un égaliseur
QR. Il a fait preuve de bonnes performances pour des récepteurs à vitesses très élevées (i.e., fd T > 0.1).
tel-00373806, version 1 - 7 Apr 2009

Mots-clés : canal radio-mobile, modulation OFDM, estimation de canal, canal variant avec le temps,
interférence entre porteuses (IEP), supression successive des interférences (SSI), décomposition QR, filtre
de Kalman, modèle autorégressif (AR), régression polynomiale, Borne Cramér-Rao Bayesienne (BCRB).

Abstract

This thesis deals with the case of a high speed mobile receiver operating in an orthogonal-frequency-
division-multiplexing (OFDM) downlink communication system. We aim to propose algorithms for chan-
nel estimation and ICI suppression in fast fading environments. We sought to directly estimate the physical
channel, instead of the equivalent discrete-time channel taps. This means estimating the physical propa-
gation parameters such as multi-path delays and multi-path complex gains. We have first developped a
polynomial approximation for the time-variation of a Rayeligh complex gain with Jakes spectrum. Using
this polynomial modelisation, we have investigated the Bayesian Cramer Rao Bound (BCRB) related
to the estimation of time-varying and time-invariant complex gains within on OFDM symbol, assuming
knowledge of delay-related information. Finally, we have proposed and analysed three iterative algorithms
for estimating the time-variation complex gains (within on OFDM symbol) with ICI mitigation. The first
two algorithms use a low pass interpolation or a polynomial approximation based on the estimated time-
averaged gain values, and uses a SIS equalizer. They have shown a significant performance improvement
for moderate Doppler spread (i.e., fd T ≤ 0.1). The last algorithm uses an auto-regressive (AR) model
and a Kalman filter to estimate the polynomial coefficients of the complex gains, and uses QR equalizer.
It demonstrates a good performance for very high Doppler spread (i.e., fd T > 0.1).

Key-words : radio-mobile channel, OFDM modulation, channel estimation, time-varying channel,


inter-carrier interference (ICI), successive interference suppression (SIS), QR decomposition, Kalman fil-
ter, auto-regressive model, polynomial regression, Bayesian Cramer-Rao Bound (BCRB).

Laboratoire Grenoble Signal Image Parole (GIPSA-Lab)


Département Image Signal (DIS), équipe Communication Signal Sécurité (C2S)
ENSE3, Domaine Universitaire, BP 46,
38402 St-Martin-d’Hères Cedex, France